CN101203170A - 计算机辅助检测系统和方法 - Google Patents
计算机辅助检测系统和方法 Download PDFInfo
- Publication number
- CN101203170A CN101203170A CNA2006800192857A CN200680019285A CN101203170A CN 101203170 A CN101203170 A CN 101203170A CN A2006800192857 A CNA2006800192857 A CN A2006800192857A CN 200680019285 A CN200680019285 A CN 200680019285A CN 101203170 A CN101203170 A CN 101203170A
- Authority
- CN
- China
- Prior art keywords
- image
- user
- diagnosis
- feature
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 claims abstract description 118
- 238000012986 modification Methods 0.000 claims abstract description 40
- 230000004048 modification Effects 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 239000004744 fabric Substances 0.000 claims description 23
- 238000002604 ultrasonography Methods 0.000 claims description 23
- 238000007689 inspection Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000002059 diagnostic imaging Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000012550 audit Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 239000003607 modifier Substances 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 210000003484 anatomy Anatomy 0.000 claims description 2
- 238000004195 computer-aided diagnosis Methods 0.000 claims description 2
- 238000012790 confirmation Methods 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000012552 review Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 46
- 238000012545 processing Methods 0.000 description 46
- 230000011218 segmentation Effects 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000013473 artificial intelligence Methods 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 13
- 201000011510 cancer Diseases 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000000505 pernicious effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000003902 lesion Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 208000028715 ductal breast carcinoma in situ Diseases 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 208000037396 Intraductal Noninfiltrating Carcinoma Diseases 0.000 description 4
- 206010073094 Intraductal proliferative breast lesion Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 201000007273 ductal carcinoma in situ Diseases 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 206010001233 Adenoma benign Diseases 0.000 description 3
- 208000007659 Fibroadenoma Diseases 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 201000003149 breast fibroadenoma Diseases 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 208000034189 Sclerosis Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010006272 Breast mass Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000008275 breast carcinoma Diseases 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 235000019587 texture Nutrition 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了用于计算机辅助检测(“CAD”)的系统和方法。本发明涉及计算机辅助自动检测医学图像中的异常和医学图像的分析。分析医学图像,以提取并识别图像中与诊断相关的特征集合。系统基于所识别的特征集合和诊断模型来计算初始诊断,初始诊断被提供给用户用于检查和修改。当用户修改所识别的特征集合时,动态地再计算计算诊断。当用户基于系统建议选择诊断时,生成反映用户确认的医学图像和用户所选择的诊断中所呈现的特征的诊断报告。
Description
技术领域
本发明一般地涉及计算机辅助检测(“CAD”)领域及异常分析。特别地,本发明涉及医学图像中的异常自动检测和医学图像的分析及其自动评定。
背景技术
由于早先对于癌症检测的重视,越来越多的人参与了诸如乳腺X线扫描和世界某些范围内用于乳腺癌的超声波扫描的早期扫描活动。最近的一些研究表明,胸部超声波诊断技术可以成功地帮助辨别许多良性与恶性实性损伤(lesion)或结节(nodule)。例如,在X光学杂志,196:123-134,1995(“Stavros”)中,由Stavors,A.T.等人所发表的“实性乳腺结节:使用超声波技术辨别良性与恶性损伤”中,建议使用超声波技术精确地将一些实性损伤分类为良性,允许比活组织切片更好地进行后续成像。Stavros提出了通过检测并评定对应于一组预定义特性及其描述(“Stavros特性”)的超声波扫描的特性来检测损伤的通用方法。在其它方面,这种局部特性可以包括局部毛刺征、局部支管范型、局部脉管扩张、及局部微分叶。
通常,成功地早期异常检测和癌症诊断需要放射科医生成功并准确地识别和评定单个医学图像上所见的块(mass)的特性,以区分良性与恶性实性结节。医学图像不限于那些通过X射线技术或超声波扫描所获取的图像(即,X射线图像(或数字化X射线图像)或超声波图像),而是可以包括由利用任意基础图像获取技术的任意适当的医学扫描设备所获取的医学图像。这种医学图像的一些实例包括超声波图像、多普勒图像、频谱多普勒图像、X射线图像、计算机断层成像(CT)图像、正电子发射断层扫描(PET)图像、PET-CT图像、及核磁共振成像(MRI)图像。
主治放射科医生的经验和技能在正确地识别特性以便可以确立全面的诊断方面扮演重要角色。在检测和诊断癌症及其它疾病的过程中,计算机辅助检测已经日益成为本质问题解决工具。现代技术已经提出了辅助放射科医生自动识别和评定医学图像中所见的块的特征的套组(battery)的多种不同方法。例如,已经开发出辅助放射科医生自动识别并评定超声波特性、从恶性的超声波发现物中区分出医学图像中的良性特征、以及组合单独的良性发现物和恶性发现物从而将结节分类成良性或恶性以进行诊断的技术。也应该了解,可以自动检测并标记图像中的候选损伤或潜在异常,从而帮助放射科医生解释医学图像。数字化医学成像的普遍有效性或可及性进一步推动了计算机化图像处理和计算机辅助检测。
但是,在计算机化图像识别在过去大约十年的时间内迅猛发展的同时,有时,计算机应用程序在识别大部分或全部异常方面可能仍然存在困难。在疾病的早期不遗漏恶性损伤是理想的。由于放射科医生可能不会高度信任自动检测的结果,所以可能定制活组织切片,而这在有些时候是不必要的。此外,即使能够成功地检测医学图像中的所有相关特征,由于例如在诊断装置中的模型的完善度的不充分或缺乏,自动诊断也不能总是提供正确的诊断。
上面阐述了对于用于提取(即,识别医学图像中的特性和医学特征,并基于医学图像中自动检测的特征来提出诊断)的所有CAD系统的质疑和约束。因此,与现有技术相比,需要一种CAD系统和方法。本发明的目标是减轻或消除上文所提及的至少一个缺陷。
发明内容
本发明涉及医学图像中的异常以及医学图像分析的计算机辅助自动检测和识别。还提供了所检测的异常的计算机辅助评定。识别与诊断疾病相关的医学图像中的特性,并将其呈现给用户用于检查。有利地,首先分割医学图像,以提供一个或多个分割候选,从而便于进一步的图像处理。通过用户手动或通过系统自动检测或识别,从一个或多个分割候选中确定或选择分割候选。分析被分割的医学图像,以提取并识别图像中与诊断相关的特征,基于此,系统通过将所识别的特性与诊断模型相结合来计算初始诊断。为用户提供了注释工具,以确认或修改呈现给用户的所识别的特征列表。根据对特性列表的修改,动态地再计算被修订的诊断。当用户已经选择了诊断(确定或修改所计算的诊断)时,生成诊断报告,该诊断报告反映了经用户确认的医学图像中所呈现的特征和经用户确认或修改的诊断。
在本发明的第一方面,提供了一种系统,用于对在一幅或多幅医学图像中出现的异常提供交互式计算机辅助检测。该系统包括:图像处理器,用于处理医学图像,并提取医学图像中与诊断异常相关的特征,所提取的特征满足预定义特征集合(set,一组)的描述;判定引擎(engine),用于通过所提取的特征生成计算诊断;以及注释及修改工具,用于用户识别被辅助以所提取的特性的医学图像中的特征集合,并基于所识别的特征集合和计算诊断来确立诊断。
在本发明的该方面的一个特征中,由诊断的医学图像池(pool)来校准多条规则。在本发明的该方面的另一个特征中,系统包括损伤定位器,用于分析医学图像,并识别医学图像中的可疑损伤。在另一个特征中,图像处理器分割医学图像,识别医学图像的多个分割候选用于用户选择,并接收来自用户的指示,以处理其中一个分割候选作为分割图像。
可选地,用户能够拒绝任何所显示的分割候选,并检查产生所显示的候选的中间分割结果的全部集合,目的是选择另一个候选。用户也能够通过修改分割结果(例如,通过编辑现有控制点或在分割轮廓上定义附加控制点)来改进所选择的候选,从而获取修改的分割轮廓。
在本发明的第二方面,提供了一种系统,用于为医学图像中所捕获的异常提供交互式计算机辅助检测。该系统包括:显示器,用于显示医学图像;输入设备,用于接收用户输入;分析引擎,用于通过医学图像识别图像特性,并提供所识别的图像特性的初始集合用于用户检查;以及注释及修改工具,用于用户修改所识别的图像特征的初始集合,从而获取所识别的图像特征的修改集合。系统通过初始集合和预定义标准集合来计算初始诊断,将初始集合和初始诊断提供给用户用于检查,接收来自用户的修改集合,并通过所修改的集合和预定义标准的集合来再计算诊断用于用户确认。
在本发明的另一个方面,提供了一种系统,用于为多幅医学图像中的异常提供计算机辅助诊断。多幅医学图像为对患者身体不同区域的观察。该系统包括:图像获取模块,用于获取多幅医学图像;图像处理器,用于处理多幅医学图像中的每一幅,并识别每幅医学图像中与诊断异常相关的特征的初始集合;判定引擎,用于通过多个识别特征的初始集合来计算初始诊断;以及注释及修改工具,用于用户修改识别特征的初始集合,从而获得识别特征的修改集合。判定引擎通过识别特征的修改集合来对计算诊断进行再计算,用于用户确认。
在本发明的该方面的一个特性中,系统被配置用于处理从多种形式(modality,模式)中所获取的医学图像。这些多种形式包括超声波图像、多普勒图像、频谱多普勒图像、X射线图像、CT图像、PET图像、PET-CT图像、以及MRI图像中的至少两种。
在本发明的再一个方面,提供了一种为医学图像中捕获的异常提供交互式计算机辅助检测的方法。该方法包括以下步骤:获取数字化医学图像;处理数字化医学图像,从而识别数字化医学图像中的图像特征的初始集合,所识别的图像特征的初始集合满足预定义特性集合的描述;将所识别的图像特性的初始集合提供给用户用于检查;接收用户由所识别的图像特征的初始集合所修改的图像特征的修改集合;通过所修改的集合来计算诊断用于用户确认;以及当接收到来自用户的有效诊断时,生成诊断报告。
在本发明的另一个方面,提供了一种获取由计算机辅助检测系统辅助的医学图像的方法,计算机辅助检测系统具有用于生成医学图像的医学成像设备和用于处理医学图像的分析引擎,该方法包括以下步骤:使用医学成像设备从患者处获取多幅医学图像;使用分析引擎来分析多幅医学图像中的每一幅;并且调节获取条件,从而从多幅医学图像中获取最佳图像。
在其它方面,本发明提供了上述多个方面的各种组合和子集。
附图说明
为了描述而不是限制的目的,将参照附图更加详细地解释说明发明的上述及其它方面,其中:
图1是示出执行本发明实施例的CAD系统的示意图;
图2示意性解释说明了用于控制图1所示的CAD系统的软件系统的功能组件和结构;
图3A示出了通过图1所示的系统呈现给用户的示例性屏幕显示,通过该屏幕显示,用户能够选择初始分割候选,并定义用于进一步研究的感兴趣区(“ROI”);
图3B示出了用于用户键入识别参数从而定义用于进一步研究的感兴趣区的另一个示例性屏幕显示;
图4A示出了通过图1的系统呈现给用户的示例性屏幕显示,通过该屏幕显示,用户可以选择多个分割候选中的其中一个用于进一步的处理和研究;
图4B示意性图解说明了图4A的仅示出其分割边界轮廓及其控制点的分割候选;
图5示出了在由图1所示的系统生成的示例性屏幕显示中标记为DCIS损伤的可疑损伤;
图6示出了图1所示的系统呈现给用户的示例性屏幕显示,其显示了用于用户进一步评定的初始结果,该屏幕显示为对由用户从图6所示的多个分割候选的其中一个所选择的分割候选的处理结果;
图7示出了示例性屏幕显示,放射科医生可以将其用于修改和保存关于通过内置模块和图6所示的结果所生成的发现物的摘要文本;
图8A和8B示出了通过图2所示的软件系统所执行的工作流程,其中,图8A示出了工作流程的前半部分,图8B示出了工作流程的后半部分;
图9示出了从图8A和8B中所示的处理进行了修改的处理,其用于处理循环中的单个损伤的多幅图像;
图10示出了从图8A和8B中所示的处理进行了修改的另一处理的步骤,该处理用于分割每幅图像的多个损伤或多幅图像的几个损伤;
图11A~11D示出了当用户运行图10所示的步骤时由系统生成的一些示例性屏幕显示;
图12示意性示出了与其运行与图1所示的系统不同的CAD系统;
图13A和13B示出了示例性屏幕显示,图12所示的系统的用户可以将其用于键入探针或传感器的位置和方位信息以及合并了这种位置或方位信息的报告;以及
图14示意性示出了操作者使用图12所示的CAD系统从而获取最佳成像结果并进行诊断的处理。
具体实施方式
通过图解说明本发明原理的特殊实施例的一个或多个实例来提供下面的描述和此处所描述的实施例。提供这些实例的目的在于解释说明本发明的那些原理,而不在于对其进行限制。在下面的描述中,在整个说明书和附图中,通过相同的各个参考数字来标记类似的部分。
图1示出了由软件系统控制的CAD系统100,用于自动分析医学图像、对医学图像中的块的物理、组织、及形态学特性或其它特征进行检测、识别、及分类、提供计算机辅助检测和用于用户选择的可疑损伤评定、并且允许来自用户的交互式反馈以动态修改检测特征列表和由此进行的计算诊断。用户可以为技师、放射科医生、或内科医生。用户也可以为从远程位置接收放射科医生或内科医生的命令的CAD系统100的操作者(例如,工作人员)。用户可以使用CAD系统100,以从医学扫描设备获取医学图像,并实时地分析图像。为了进一步分析,用户也可以从数据库加载预先获取的医学图像。可替换地,不管是实时地获取或是预先获取,诸如放射科医生或内科医生的用户可以与其它放射科医生或内科医生分享图像,以共同评定并分析图像,确立诊断。
图1所示的CAD系统具有图像获取子系统102。当被连接至一个或多个医学图像扫描设备时,图像获取子系统102能够实时地获取医学图像。CAD系统通常提供多模式(multi-modality)平台。根据图像类型来选择其模式。例如,系统可以被实施或配置为支持超声波图像、X射线图像、或CT、PET、PET-CT、原子核、MRI图像、或来自连接至CAD系统的其它成像模式的图像。系统本身也可以被包括在用于检查某些或全部医学成像模式的控制台或工作站中。
在一个实施例中,图像获取子系统连接至医学扫描设备104,用于实时地从患者处获取医学图像。需要注意,医学扫描设备104可以为包括超声波源和一个或多个传感器的超声波机构。医学扫描设备也可以为由X射线源和X射线成像器所构成的X射线装置。医学扫描设备也可以为CT、PET、原子核、或MRI扫描仪。可以使用任何适于获取患者组织、骨骼、或器官的医学图像的成像设备。
图像获取子系统102也可以加载预先获取的图像,用于进一步研究,或者用于与诸如放射科医生、技师、或内科医生的其它用户分享。例如,图像获取子系统102可以包括数字转换器106,用于将记录于胶片上的预先获取的图像数字化。可替换地,图像获取子系统102可以从远程图像服务器108或可访问CAD系统的图像数据库110检索图像。
CAD系统100包括用户界面112,其允许系统的用户观看图像,使用其显示的内容,并且与系统交互。用户界面112包括显示器114。显示器114可以为监控器、投影仪、或能够将医学图像直观地呈现给用户并能够呈现图像及文本内容的任意其它适当的显示设备。用户界面112也可以包括输入设备116,用于用户与系统进行交互,并且为系统识别所显示的医学图像中的特殊感兴趣区。输入设备116可以包括例如用于用户键入任何文本输入的键盘。可以提供语音识别模块,用于语音文本转录。也可以包括用于用户为系统识别医学图像的特殊像素或区域的鼠标或一些其它点击设备。可以将显示器114和输入设备116物理地组合成单个的硬件单元段,例如,能够显示图像和文本输出并接收用户输入的触摸屏。
系统1 00也提供许多外围设备118。用户可以使用输出外围设备118,用于再生或记录分析会话或其它系统输出的结果。例如,输出外围设备可以包括打印机120。例如,打印机可以为胶片式或纸张式。胶片式打印机可以用于将医学图像(初始图像或处理过的图像)转换成胶片,以用于需要胶片图像的更多传统显示设备。纸张式打印机可以被用于生成硬拷贝报告,用于与其它内科医生分享,或者用于存档目的。输出外围设备118也可以包括网络浏览器122,用于通过电信网络124与其它放射科医生或内科医生分享结果。电信网络124可以为局域网(LAN)或互联网。这样允许内科医生远程检查由操作者从患者获取的的图像,并且实时地对通过系统100所自动生成的结果进行任何修改。另外,输出外围设备118可以包括DICOM适应设备126,用于转换并存储处理结果,即,将通过系统所生成的图像与相关报告组合。
系统100具有数据仓库128。数据仓库可以包括其自身用于检索和管理数据的模块,或者可以简单地提供用于在其中存储数据的存储空间。数据仓库128通常用于存储系统相关的或生成的数据,包括归档处理的医学图像。例如,数据仓库128可以用于存储预诊断图像、模型参数、以及由系统使用用来提供自动检测的其它相应数据。优选地,数据仓库128支持归档DICOM适应图像,而且也可以处理诸如JPEG、BITMAP等的其它图像形式。所有图像处理的注释、评论、结果都能被归档为DICOM适应文件部分。并且,可以记录所处理图像的每个归档实例的诸如用户ID、所处理图像的数据或时戳、以及用户对所检测特征的附加或修改的全部审计信息。
图1所示的系统100由软件系统130控制。参照图2,软件系统130调整并控制通过CAD系统100实现的处理和数据流。软件系统130具有许多组件。这些软件组件不是必须存在于单个的计算机硬件单元中。它们可以为存储于不同位置并且在硬件单元的不同处理器中执行的专业软件系统,甚至作为独立的模块在不同的计算机上执行。软件组件也可以通过不同的厂商来提供。例如,医学扫描设备厂商可以提供其自己的软件组件,用于图像处理或特性提取。这些软件组件可以被组合在一起,以提供此处所述的系统100的功能。也可以以这种方式组合这些软件组件,从而形成不同的子系统,提供专业的子功能。为了方便,在下文中,这些软件组件将被概念性地视为软件系统130的部分,并且在一个处理器中执行,软件系统130的全部组件存储在诸如硬盘的一个计算机可读介质上。应该注意,CAD系统通常提供多模式平台。例如,这可以通过提供软件系统130的每个组件中所需的指定模式组件来实现,从而实现所支持的模式。
软件系统130具有分析引擎132,用于分析医学图像,并得到用于用户检查和确认的诊断。例如,在一个实施例中,分析引擎132处理由图像获取子系统102获取的图像,以识别感兴趣区用于进一步的特征提取,提取图像中呈现的诸如物理或形态特性的特征,准备用于显示和检查的所得信息,并将所检测的特征的集合映射到诊断,用于用户的检查和确认。
图2示意性示出了软件系统130的组件。软件系统130具有中央控制模块202,用于控制和调整软件系统130的各种组件模块的处理之间的数据流。软件系统130具有用于交互、指挥、及监控相关硬件单元或子系统的单独模块。其图像加载器204与CAD系统100的图像获取子系统102的操作相互作用,并指挥其操作。提供了分析引擎132、图像显示器、及处理模块206的概念性部分,用于用户调节和处理图像的显示。还提供了图像处理模块208、判定模块210、及注释及修改模块212作为分析引擎132的部分。提供了报告模块214,用于产生报告并生成输出。
当需要对医学图像进行处理或观看时,图像加载器204指挥图像获取子系统102加载(即,取回或获取)医学图像。一旦医学图像被取回或获取,图像显示器和处理模块206就将图像发送至显示器114,用于将图像显示给用户。用户能够使用输入设备116来进一步处理或调节显示器114上的图像显示。例如,用户可以通过改变其对比度、亮度级别、或者全景或缩放图像的特殊区来处理图像的显示。用户也可以选择图像区域用于进一步处理。
图像处理模块208或图像处理器负责图案识别和特征提取,并执行各种计算机化的图像处理和图案识别操作。图像处理模块208计算(即,提取并识别)与由已经在分割处理中被识别的诸如损伤或结节的异常区的边界所限定的块相关的物理、组织、形态、以及指定模式的特性。通常,图像处理模块需要被有差异地实施或配置,以处理从不同模式获取的图像。例如,当超声波图像被载入时,特征通常为被定义用于超声波图像的那些特征。特征可以为与可疑损伤的内部相关的那些特征,也可以为由在异常区边界的外部但与其临近的区域所识别的那些特征,例如,超声波图像中的后阴影。通常,医学职业将待被提取或识别的特征预定义和认为是与诊断诸如癌症的疾病相关。通常,这些特征的描述与这些特征的定义一起来提供。一种这样的预定义特性和词汇的集合是由美国放射学学会(ACR)开发的用于乳腺影像报告和数据系统(BI-RADS)的集合。对于不同的应用,可以使用不同的预定义集合和标准。例如,作为标准部分,BI-RADS词汇主要用于放射科医生,而用于报告宫颈细胞诊断的贝塞斯达(Bethesda)系统则主要用于细胞学者。可以理解,虽然此处所提供的实例与诊断癌症相关,但它们仅为用于解释说明,此处所描述的系统以及处理和方法通常可以应用于诊断疾病,而不限于诊断癌症。
所获取的图像的处理操作可以包括分割(即,选择并绘出用于进一步研究和处理的图像区)、图案识别(即,对图像中的图案进行分析和分类)、以及特征提取(即,分析并识别可能与诊断由图像表示的组织中的异常或正常情况相关的特征或特性)。图2示出了用于分割、图案识别、以及特征提取的三种模块,可以知道,为了其它图像处理的需要还可以包括其它模块。
图像处理模块208被示出为具有分割模块216。分割模块216分析用户所识别的感兴趣区(“ROI”),并且绘出诸如ROI内的结节的异常区的边界。ROI可以由用户手动识别,或者由系统自动识别并推荐给用户。在一个实施例中,用户通过首先选择分割“种子点”(即,感兴趣区中的点)来为系统选择并识别ROI。图3A示出了示例性屏幕显示,通过该屏幕显示,用户可以选择ROI。典型地,种子点302被选择在感兴趣区的大体中心附近的点处,例如,可疑的实性结节。例如,用户可以通过使用鼠标并点击结节中心区中的点来选择分割种子点(见图3A)。通过选择种子点并将光标拖离那个点来定义ROI。所出现的圆环用于约束分割算法应该运行的区域。用户直至ROI 304足够大到可以包含整个结节时放开鼠标按钮。
可替换地,用户可以通过提供“种子点”的坐标值的集合以及损伤的评定尺寸来识别ROI。在损伤呈现为伸长块的情况下,可以通过提供与伸长块大体成一直线的轴的方向和纵横比来进一步改进这种方法。图3B示出位置识别窗口306,用于用户键入损伤识别参数308,例如,损伤识别参数308可以包括损伤识别号310、损伤尺寸参数312、损伤坐标314、损伤特征指示316、损伤深度指示318其中的任意一个及其组合。此处,损伤识别号310指的是识别号,例如,在图像中所标识的多个损伤中的第一损伤、第二损伤、第三损伤等。损伤尺寸参数312提供损伤尺寸的评定(例如,1cm)。可以通过损伤坐标314使用适当的坐标系统来限定损伤位置,例如,皮肤下的深度、与乳头的距离、以及与水平方向的方位角。损伤特性指示316指的是特征类型,例如,其中与可疑损伤的质量、形状、方位、硬化相关的特征。损伤深度指示318提供损伤距皮肤的深度的评定作为相关尺度,例如,相对于胸部尺寸。
有利地,一旦识别了可疑损伤,则可以分割图像,绘出可疑损伤的边界等高线或者分割轮廓。由于与可疑损伤的诊断相关的图像图案和特征更可能是分割轮廓内部或者其外部并与之临近的那些,因此这样可以有利于进一步的图像处理。可以执行不同的算法来分割ROI。例如,在一个实施例中,执行前传播型的区域生长法则,用于分割超声波图像中的损伤。首先选择可疑损伤中的“种子点”。选择自适应门限值,用于确定边界轮廓。基于自适应门限值从种子点生成的区域可以进一步考虑局部信息,并且通过领域知识(domain knowledge)约束。基于局部信息来来限定初始区轮廓。当达到平衡时,通过由领域约束驱动的可变形模式来改进所限定的区域轮廓。应该注意,任何适当的算法都可以被用于分割ROI。不同的应用可能需要不同的适当算法。例如,最适于分割用于诊断乳腺癌的图像的算法可能不是分割通过CT扫描所获取的图像的最佳算法;另一个实例是,被开发用于超声波图像的分割算法需要被重新调整和/或修改来处理MRI数据。
每个算法可以生成几个分割候选,即,可以正确绘出可疑损伤的分割轮廓。根据某个预先确立的标准,系统可以显示一个作为最佳候选,余下的作为第二最佳候选。分割模块216可以仅显示通过最适合的算法所生成的最佳候选。优选地,分割模块216显示最佳候选和几个第二最佳候选,用于用户选择。在几个算法都有效的情况下,也可以显示通过其它算法所识别的候选,用于用户选择。
在一个实施例中,如图4A所示,分割模块216在临时窗口中显示6个分割候选用于用户选择。每个候选图像402为在原始图像上叠加可能的损伤边界404的合成图像。例如,通过加亮来识别哪个为分割处理的最佳候选406,并且激活用于进一步的处理。与最佳候选406一起显示的还有几个第二最佳结果408。仅有这六个候选而不是所有的分割候选被提供给用户用于选择。用户可以选择被系统确定为最佳结果的那一个。用户也可以从其它的候选图像408中选择一个被分割的图像。例如,用户可以通过双击分割候选来识别系统的选择。可选地,用户可以拒绝任意或全部的所显示的候选,并且检查分割结果的整个集合。这就允许用户直观地检查所有的分割结果,并基于用户自身的经验和判断来选出一个适当的候选。可替换地,系统也可以被配置为选择使用最适当的算法所生成的最佳候选用于进一步处理,而无需任何的用户干涉。
用户还能够通过编辑分割轮廓404来改进所选择的候选。为此,用户可以在分割轮廓上编辑现有的控制点或定义附加的控制点。用户可以通过编辑分割轮廓404的一个或几个控制点410来修改所显示的分割候选,从而手动分割ROI(见图4B)。用户也可以通过定义新的控制点来修改所显示的候选。在用户完成编辑现有控制点或添加新的控制点之后,系统显示修改的分割轮廓用于用户确认。一旦系统接收了用户的选择,系统就启动其计算机化图案识别和特征提取处理。
图2所示的图像处理模块208具有图案识别模式218。图案识别模块21 8分析图像,特别是由分割模块216绘出的ROI,从而识别并检索图像中的形态和组织图案或特征。扫描分割轮廓内部和外部的像素,以识别可疑损伤的图案或局部特征及诸如超声波图像特性的指定模式特征。诸如局部毛刺征、局部支管范型、局部脉管扩张、及局部微分叶的局部特征可以被识别。分割轮廓本身也能够被分析,从而识别可能与诊断相关的可疑损伤的特征。在其它特征中,将图案、局部特征、指定模式特性、通过分割轮廓所识别的特征与诸如通过ACR-BIRADS词汇或Stavros特性所定义的超声波图像特性的预定义特性集合的描述进行对比,从而生成通过标准集合所识别的特征列表。图案识别模块218分析图像,以识别这些图案和局部特征。图案识别模块218也可以分析图像,以识别所分割的ROI中诸如像素的集聚性和对比度的特征,或者分析图像,以合并包括环境信息的领域知识的一些概念,从而更好地识别指定的局部特性。
图2所示的图像处理模块208具有特征提取模块220,用于从这些被局部识别的图案中提取可能与诊断癌症相关的指定特征。这些特征中的某些特征可以包括形状、方位、角界限、损伤边界、及硬化。这些特征也可以包括只有指定检测技术才有的那些特性。例如,对于超声波图像,这些特性可以包括回声图案和后听觉特征。
在一个实施例中,特征提取模块220检测如下特性:其匹配与ACR-BIRADS词汇结合的预定义的超声波图像特性集合的描述。换句话说,如果图像中对象的特性满足预定义特性集合中特征的相应描述,则认为该特征要被识别并检测。特征提取模块220使用预定义特性和特性描述(例如,ACR-BIRADS词汇)的集合,从而进行自动特征识别和提取。特征提取模块220使用检测性能门限值来确定是否能够通过由图案识别模块218所识别的索引局部特性来识别任意特性。基于与所匹配特征的描述的适合度指示,为每个索引特性赋予概率,从而提供它们可能在图像中出现的概率的统计度量。特征被认为存在于图像中,或者当概率大于门限值时被检测。方便地,可以对所有特性赋予相同的门限值。优选地,这些门限值可以基于通过校准诊断图像的集合所获得的Stavros性能门限值。这样,这样的门限值取决于每个特性,并且通过已诊断图像的集合的校准结果来确定。
软件系统130具有判定模块210,用于计算自动诊断或评定,并将计算诊断推荐给用户。判定模块210检查所识别的所有特征(包括诸如每个特征可能出现的统计可能性的属性以及特征的范围或尺寸)、排列与诊断相关的每个特征的重要性、并计算评定或诊断。通常,可以是离散评定的范围。可能评定的特殊集合取决于所使用的标准。例如,评定可以为良性、恶性、或不确定中的其中一个,或者可以为损伤所属的BI-RADS类别中的一个。换句话说,判定模块210基于基本模型将发现物或所提取的特征集合映射到损伤评定。应该注意,可以采用不同的模型来评定可疑损伤。软件系统130的模式允许对所提取的特征的相同集合应用不同的模型,从而实现评定。应该进一步注意,判定模块210的操作独立于特征提取模块220。无论被提供给判定模块210作为输入的特性集合是被自动识别、还是全部通过用户手动识别、或是上述两种识别的结合,判定模块210都将提供的自动评定。换句话说,如上文所述,可以将判定模块210视为提供专业子功能(即,计算评定)的子系统。
可以提供不同的模型,用于提供不同的诊断功能。通过应用不同的模型所获取的评定可以不必相同。将来自不同模型的结果合并(优选地使用适当的加权),从而完成计算诊断。图2中的判定模块210被示出为具有AI规则模块222和评定模块224,但是应该了解,软件系统130的模块式设计允许在需要的时候对诊断模块进行替换或添加。
AI规则模块222使用过去所得到的知识,例如,从对众多图像数据的诊断、相应的活组织切片检查结果、以及放射科医生和内科医生的集体知识所得到的知识。在一个实施例中,知识被概括为人工智能(AI)规则的集合。通过AI规则的集合,由图案识别和特征提取所形成的发现物能够被映射到自动评定。如同将在后面被详细描述的,不是所有被检测的特征都具有同等的重要性。每个被检测和被识别的特征的重要性将被结合在AI规则集合。AI规则模块222基于所检测的特征集合以及它们与特殊诊断的相对重要性来计算初步的诊断评定。
下面的实例概括了生成AI规则集合的一种方法的步骤,在这种情况下,建立了统计模型。首先选择多个诊断图像以及它们相应的活组织切片检查结果。编辑通过这些图像识别的特性和所知的诊断结果。通过这些数据,能够建立基于多元适应性云形回归(MARS)技术的统计模型,该模型的一般形式如下:
Y=C0+∑Ci*BFi
其中,C0和Ci为系数,BFi为第i个基本函数。每个基本函数都将所定义的特性集合和可能被定义的基本函数集合的定义组合作为输入。例如,在ECHO为具有多个选项(1、3、4、或5)的一个超声波图像类别的情况下,基本函数可以具有如下形式:BF240=(ECHO=1或者ECHO=3或者ECHO=4或者ECHO=5)*BF180。基本函数的形式及系数通过将模型与统计数据配合来获取,即,在诊断图像中所识别的特性以及与诊断图像相关的已知诊断结果。
一旦建立了这样的模型,基于诊断图像中的识别特征集合,就能够将其结合到AI规则模块222中用于计算诊断,即,损伤为良性或恶性的全部可能性。应该注意,对于评定的计算不限于使用统计模型。也可以使用超级向量机(SVM)方法计算评定,或者使用采用了诸如神经网络方法的更复杂的方法的AI装置生成评定。系统的模式允许将不同评定装置合并和集成到系统中,并且允许在需要的情况下组合这些不同评定装置的输出。
尽管可以以任意方式提供评定,但是,通常,评定模块224为用户提供符合普通标准的评定,例如,提供诊断作为BI-RADS评定。可以将单个评定作为自动计算诊断呈现给用户。优选地,将一组可能的BI-RADS评定呈现给用户。在一个实施例中,呈现给用户如下两个评定组中的一个:对应于BI-RADS 1~3的“良性”和对应于BI-RADS 4a~5的“恶性”。随后,用户必须从所推荐的评定组中选择特殊的评定,或从所推荐的组之外选择评定。这就趋向于不鼓励采用不通过用户评定的自动诊断。当然,其它的分组粒度也是可以的。例如,可以将可能性评定划分成“良性”、“不确定、或可能良性”、及“恶性”。
在计算诊断之后,判定模块210也可以标记损伤,即,使损伤与类型相关联。某些普通类型包括纤维腺瘤(FA)、浸润性导管癌加DCIS组分(II)、浸润性导管(ID)癌、原位导管癌(DCIS)、及浸润性小叶(IL)癌。通常,首先计算可疑损伤可能为特殊类型的信任等级值。如果信任等级值落入定义的信任范围,则将损伤标记为属于该类型。图5示出了被标记为DCIS类型502的可疑损伤。
参照图5,诸如图形用户界面上的旋钮形可激活区的控制器504允许用户设置由上门限值506和下门限值508所限定的信任范围。图5还能够随意地在滑动尺510上显示对不同类型所计算的信任等级值,从而表示与损伤类型相关的信任等级。例如,图5用图形示出用于类型FA、II、ID、IL、以及被标记的类型DCIS的信任等级值。这样有利地为用户提供了关于可疑损伤的可能类型的反馈。尽管图5仅示出了一种与损伤相关的类型,但是可能有几种类型的相关的信任等级值均落入信任范围。随后,系统可以要求用户选择类型,该类型可以为其信任等级值落入所定义的范围的类型,或者可以为该范围之外的一种类型。可替换地,如果一种类型具有最大的信任等级值,则系统也可以自动将损伤标记为该类型。
为了补充特性的自动检测,提供被作为注释及修改模块212实施的注释工具,使得用户可以为图像添加注释,或者修改已经键入的注释。这里,注释通常指的是医学图像区间的联系、在具有从预定义的特征集合(例如,由BI-RADS定义的特征)中选择的特征的区域中或与该区域邻近的区域或图案的特征或特性。通过注释及修改模块212的帮助,用户也能够添加不是由软件系统130识别的特征或去除假阳性(即,由系统自动检测但被认为是错误检测的特征)。用户也能够对特性赋予不同的概率,或者修改由系统赋予的概率。有利地,由于用户修改了特征列表以及它们各自的概率,所以系统自动重新计算其自动评定,以给用户直接反馈,使用户能够进行更精确和改进的诊断。
注释及修改模块212提供了检测特性的列表,用于用户检查和注释。如图6所示,这种列表可以在结果窗口600中呈现给用户。结果窗口600包含预定义的特性集合的完全列表,其预安装了所检测的特性。可以使用任意适当的预定义特性集合。其中一些包括Stavros特性和BI-RADS词汇。在一个实施例中,预定义集合为BI-RADS的集合。可以在显示器114上将结果窗口600呈现给用户。也可以利用被远程连接至系统的网络浏览器122。图6所示的结果窗口600具有图像窗口602和结果面板604。合成图像在图像窗口602中与原始图像一起显示。在可能的情况下,在合成图像中表示所检测的特征606。某些特性被注释。图标、符号、或其它图示都可以用于表示注释608。在结果窗口600的下部为诊断面板610,用于显示计算诊断以及用于用户选择有效诊断。在结果窗口600的下部还示出了评论窗口612,用于键入评论和注释。
与在图像窗口602中显示的合成图像一起,由系统自动检测的特征优选地在树状结构特征列表的结果面板604中呈现给用户。参照图6,结果面板604示出了树状结构连接的一系列检验栏614,以指示它们的相互关系。图6中的每个检验栏对应于Stavros特性的一个特性。这些检验栏的其中一些被激活,即,被加亮或被检查。被检查的检验栏616表示已经在左手边的图像窗口602中显示的图像中检测了特征。未被检查的检验栏618表示没有在该图像中检测相应特性或特征。
用户能够通过从列表中去除所检测的特性或将特性添加至列表来修改自动检测。如果被去除的特性能够追溯到图像中的区域,则例如通过去除相应的图标,可以自动更新所显示的图像,以表示特性的去除。相反,用户可以添加在自动检测处理中没有被系统自动识别的特性,即,将医学图像中的位置识别作为特性的地点。被手动添加至图像的特性可以被自动添加至所识别的特性列表中。注释及修改模块212允许用户核实并确认系统发现物,并且基于他或她的判断和经验进行任意必须的修改。可以对每个图像多次应用注释。参照图6,如果用户没有检查能够追溯到图像窗口602中的图像的特性,则未被检查的特性620被自动从图像中去除。为了添加特性,用户可以简单地检查与特征对应的检验栏。用户也可以使用注释工具,以将对应于待添加的特性的检验栏拖至图像上的期望位置,并且放开它。代表所选择的特性622的符号或图标将落入所选择的位置。随后,用户能够在评论窗口612中对每个添加的注释键入或编辑评论。在需要或期望的情况下,可以对很多注释和特性重复这个步骤。每次添加或去除特性时,在可能的情况下更新图像。换句话说,如果可以通过符号或图标图像表示特性,则该符号或图标也被添加或去除。
由于用户修改或更新特征(或特性)列表,所以系统也在同时更新其计算诊断。应该注意,当用户添加新特征时,用户也可以对那个发现物赋予概率。在一个实施例中,所有被用户添加的特征被赋予100%的概率,并且所有被用户去除的特征被赋予0%的概率,但是也可以赋予其它的概率值。
在系统的一个实施例中,提供了9个不同的诊断类别,即,{不完善的、1、2、3、4a、4b、4c、5、及6}。该集合对应于在BI-RADS中所使用的类别。根据这种机制,1为阴性,2为良性发现物,3为可能为良性发现物,4为可疑异常(在该领域内由放射科医生被进一步细分或改进为4a、4b、及4c:4a为具有癌症低疑似性的发现物、4b为具有癌症中间疑似性的发现物、以及4c为与癌症中等相关的发现物,但是没有类别5高),5为高恶性提示,以及6为已知癌症。
这些可能的诊断被分组、或分区(bucket)。可以实现不同的粒度,即,不同的区数。在一个实施例中,采用二区方法。在诊断面板610中,第一区624被示出为包括诊断1、2、和3,第二区626包括诊断4a、4b、4c、及5。在显示的初始结果中,系统将仅加亮两个组中的其中一个而不是加亮任意的特殊诊断。用户可以从组中选择诊断,作出诊断。如果用户强烈反对系统计算的自动诊断,则用户也可以不管系统而选择组之外的诊断。如同将在下文中描述的,在系统生成任何报告前,可以要求用户选择诊断。
在一个实施例中,用户必须通过从默认组中选择一个诊断(即,通过从第一区624或第二区626中选择一个诊断)来确认诊断。如果不选择诊断,则默认组中的所有可能诊断都被加亮。这趋向于降低不经详细检查自动检测的结果而意外确认诊断的危险。
使用注释及修改模块212,用户能够如上所述地注释良性和恶性超声波图像特性。注释及修改模块212还允许用户添加与注释相关的评论和注解(注释评论)或与图像相关的一般注解(一般评论)。一般评论可以被键入评论窗口612。这些评论和注解可以被作为文本键入、从预定义的评论列表中拾取、或通过语音文本模块转录。
方便地,注释及修改模块212可以包括可选的内置模板,用于生成摘要文本或摘要注解作为一般注解部分,报告发现物和放射科医生的评定。模板提供摘要文本的基本结构,其中,注释及修改模块212可以根据发现物和确认的评定选择适当陈述。放射科医生可以根据放射科医生的风格修改模板,以提供更大的适应性。通过模板生成的注解可以被进一步编辑,以提供更大的适应性。图7示出了放射科医生可以用于保存系统生成的关于发现物的摘要文本作为一般注解的部分的示例性屏幕显示。可以类似地生成并保存提供了放射科医生对损伤的印象的摘要文本。如图7所示,与损伤相关的信息被插入摘要文本,并且对应于结果面板604中所示的信息。例如,在结果面板604和发现物面板708中都示出了具有椭圆形702、平行取向704、具有亚弹性回声图案706特征等的损伤。
报告模块214与系统的输出外围设备118的操作交互并指挥其操作,并且与数据仓库128通信。报告模块214还与用于显示所处理的图像或任意报告的用户界面112交互。一旦用户确认了评定,报告模块214就生成用于当前活动图像的报告。可以在打印机120上打印报告,或者可以是用于在数据仓库128中分享或归档的电子报告。一个实例可以为PDF报告。如果需要,可以显示、打印、或存储PDF报告。另一个实例可以为DICOM结构的报告。当被要求时,报告模块21 4将关于图像、注释和符号、相关评论、损伤边界、BI-RADS评定、以及所选特性的所有信息保存至系统的数据仓库128,作为所处理的图像的DICOM结构报告部分。同样的信息也可以发送至DICOM兼容设备126,用于存储或与其它内科医生或放射科医生分享。
通常,像通过用户所注释的一样,报告内容是根据在用户注释的处理图像中的有效数据默认的,并且报告内容也包含诸如机构或患者识别信息及患者人口统计信息的其它有关信息。换句话说,结果窗口600中的有效数据通常被反映在报告中。报告可以包括诸如超声波图像特征以及任何的注释和评论及用户修改的所检测特征。也可以包括原始医学图像及其处理副本。报告也可以包括诸如机构信息、患者人口统计信息、软件应用程序的综述及其算法设置的其它信息。最后,报告可以包含例如具有与ACR-BIRADS超声波词汇分类形式兼容的格式的图像发现物和放射科医生的评定。
可以以如下方式来提供报告:检查适当的检验栏以表示发现物和评定。方便地,报告可以包括摘要列表,列出所有所识别的特征。报告也可以包括摘要文本或补充有摘要文本。摘要文本可以基于发现物和由注释及修改模块212生成并由放射科医生进一步修改的印象。摘要文本还可以包括是否应该执行活组织检查的建议。
报告可以包括用于追溯和审计目的的识别信息。识别信息可以包括患者识别码、研究识别码、唯一的报告标识符、序列码、时戳(即,研究或报告的时间和数据)、或其它适当的识别信息。方便地,可以提供加密模块,用于数字化地标记报告。由加密模块生成的电子签名可以包括某些或全部识别信息,以提供改进的审计性能,并且防止报告被意外修改。
可以一次处理来自一幅图像的多处损伤,在这种情况下,能够生成包含所有发现物的单个报告。可选地,可以一次处理多幅图像,使得单个报告包含关于所有图像中的所有损伤的所有发现物。报告能够以损伤、所识别的特性、所处理的图像、或以某些其它方式来对发现物进行分组。也可以提供全面的评定,例如,考虑了关于医学图像中的多个损伤的发现物的BI-RAD评定、在损伤的多幅图像中所见的单个损伤、或者在多幅相关图像中的多个损伤。
优选地,将报告归档为DICOM二次采集。注释、评论、诸如损伤边界的图像处理结果、及诊断结果被归档为DICOM兼容文件部分。例如,用户也可以将报告的PDF版本保存在本地的患者例示目录中。这样利于将来的参考。如果用于那种合成透视图的实例已经存在于患者归档中,则创建新的实例。可以记录每个归档实例的审计信息,例如,用户ID、数据或时戳、及所检测特性的用户添加或修改。
现在,参照图8,详细描述工作流程800的步骤。该工作流程由系统执行,以与放射科医生的工作流程相匹配,该流程中加入了进一步的适应性和用户控制。在图像获取步骤810中,首先由图像获取子系统102在图像加载器204的控制下获取并加载图像。在其它加载方法中,如前面所述,图像加载器204可以从医学扫描设备加载图像、可以从图像数据库110加载医学图像、或者从远程图像服务器108接收医学图像。
一旦图像被加载,则在步骤812中,图像显示及操作模块206在显示器114上显示图像。为了更好地观察图像(无论是作为整体还是集中到特殊的局部区域),用户可以以各种方式处理图像的显示。例如,用户能够缩放或全景显示图像。用户可以调节显示器114上显示的图像的亮度和对比度等级。因此,用户能够更详细地检查图像,以及观看上下文内任意的可疑区。在一个实施例中,图像获取子系统102支持多幅图像的获取。在步骤812中,图像显示及处理模块206提供预定数量的(例如,4个)图像用于选择。例如,图像扫描设备可以提供患者解剖部分(例如,胸部)的剖面的几个图像,用于放射科医生观察和选择。图像显示及处理模块206可以在显示器114上显示所有的剖面图像,或者可以仅显示其中的一个,同时将其余的图像显示为一些缩略图。诸如放射科医生的用户可以选择其中一个视图,用于进一步的评定和研究。在胸部超声波图像的情况下,可以同时为每种情况提供两个视图(一个径向和一个反径向),也被称作“R和AR视图”。
在接下来的步骤814中,如结合注释及修改模块212描述的一样,用户将注释添加至所选择的图像。用户也可以在结果窗口600预安装了自动检测的特征之后添加注释。接下来,在步骤816中,用户通过识别并选择ROI来开始CAD处理。一旦在步骤816中识别了ROI,则分割模块216开始处理图像,并且尝试识别诸如结节的异常区的可能边界。
在分割步骤818期间,生成可疑结节的一系列的可能边界或等高线。分割模块216请求图像显示及处理模块206将可能边界与单个图像重叠,而不是自动选择一个边界,从而提供一系列的候选图像,并提供这些候选图像用于用户选择。
在步骤820中,用户选择其中一个候选,并且例如通过按下“OK”按钮将所作选择传达给系统。一旦系统在步骤818中从用户接收到选择,则在步骤822中,系统开始进一步处理。在步骤822中,进行图案识别和特征提取。可选地,如图4B所示,用户可以利用定义或修改候选等高线上的控制点410并对其进行移动或编辑来手动修改所选择的等高线。
接下来,在步骤822中检测的特征被提供至判定模块210,用于计算计算诊断。自动诊断步骤可以包括AI规则映射步骤824,在此期间,AI规则模块222基于预定义的AI规则集合将这些特性映射至中间结果。在步骤826中,评定模块224将AI规则映射的结果与所检测的特性分析相结合,以实现自动诊断。
在步骤828中,在结果窗口600中,将来自自动检测处理的初始结果呈现给用户。结果窗口600被预安装了所有的被检测特征以及一组所推荐的诊断。
用户能够通过选择或不选择结果面板604中所示的检验栏来添加或删除特征(步骤830)。基于这个动态的修改特征列表以及它们被赋予的概率,自动评定模块224动态地更新计算诊断。如果特征列表的修改为使自动诊断从一组改变为其它组(例如,从4a、4b、及5的其中一个改变为1、2、或3的其中一个,反之亦然),则动态地显示不同的诊断组。
一旦用户因为在图像中所见的特征在特征面板中全部被选择并且特征通道中的检验栏不具有任何失效检测而感到满意,则用户可以确认或选择诊断(步骤832)。在用户确认或选择诊断之后,在步骤834中,报告模块214自动生成报告。分析结果可以被保存至数据仓库128,或与其它内科医生或放射科医生分享。用户进行的审计索引操作可以被全部保存,其中,上述的审计索引操作包括ROI的选择、分割候选的选择、结果的注释及修改、以及诊断的确认。这样就完成了图像处理工作流程800。
需要注意,尽管这里所描述的工作流程800用于一次处理一幅图像,但是通过修改,系统可以用于一次处理多个损伤或多幅相关图像。例如,系统可以被配置为允许用户返回步骤816以在步骤832得出结论时选择另一个损伤或ROI,而不是直接进行到报告步骤834。用户也可以返回步骤810,以加载另一幅图像用于相同会话的处理。系统也可以被进一步配置为将不同图像中示出的相同损伤相关联。当处理了相同图像或所有图像中的所有损伤之后,用户随后能够进行到步骤834,生成单个报告,该单个报告包含关于处理的所有图像中的所有损伤的结果。此外,也可以生成基于在所有损伤中(在所有图像中)所识别的所有特性的全面评定,并将其呈现给用户,用于检查和确认。
在一个实施例中,系统被配置为辅助用户处理单个损伤的多幅图像。参照图9,在循环900中示出了用于处理单个损伤的多幅图像的处理。在步骤910,首先加载多幅图像中的其中一幅。所加载的图像可以是已经分割好的,也可以是还没有分割的。一旦被加载,则在步骤920中,例如,通过使用图3A所示的图形定点设备或者通过在图3B所示的窗口中键入的识别参数来识别ROI的“种子点”和尺寸,从而识别ROI。接下来,在步骤930中,检测图像,以确定所识别的ROI是否被分割。如果其已经被分割,则可以绕过分割步骤940。即使图像没有被分割,用户也可以选择绕过分割步骤。如先前所述,用户可以使用注释工具来为系统识别特征列表,通过特征列表,系统也能够计算诊断。如果分割被绕过,则系统进行至步骤950进行进一步处理,例如,图案识别、特征提取、和诊断计算。可选地,如果ROI将被分割,则图像被发送到分割模块216,用于分割步骤940和进一步的处理。
例如,在图像被处理后,接着参照图8所述的余下步骤818~822,处理可以返回至循环900的起点,并加载第二幅图像。在识别步骤920中,重新识别ROI。在接下来的步骤中,检验ROI,以确定其是否已经被分割或者需要被分割。方便地,如果第二幅图像已经被分割,则可以将第二幅图像中的被分割的损伤与第一幅图像中的损伤相关联;或者,第一幅图像中所分割的损伤的位置和边界可以有利地被用作用于分割第二幅图像中的损伤的第一输入。随后,第二幅图像被处理,并且处理返回至循环900的起点,直至多幅图像中的每一幅都被处理了为止。
在另一个实施例中,系统被配置为辅助用户处理每幅图像中的多个损伤,或者多幅图像中的几个损伤。图10示出了用户所执行的一系列步骤,用于分割每幅图像的两个损伤和用于这两个损伤的两幅图像。图11A~11D示出了由于用户执行了图10所示的步骤而由系统所生成的一些示例性屏幕。
在步骤1010,加载了两幅图像,并且将其显示给用户,用于损伤候选的选择。如同显示给用户的,图11A示出包含第一损伤1104的第一图像1102和同样包含第一损伤1104的第二图像1106。在步骤1020中,用户键入参数,用于限定第一损伤1104。限定损伤的一个实例之前参照图3B进行了描述。在步骤1020,也类似地限定了第二损伤1108。
在包括图像和标记圆环或椭圆线的合成图像中,可以通过圆环或围绕损伤的一般椭圆线来标记这样识别的损伤。图11B示出了在第一图像1102和第二图像1106上均由椭圆线1110标记的第一损伤1104。
重新参照图10,分割在步骤1020中被识别的损伤。系统可以如前所述地分割图像,提供多个分割候选用于选择。可以并排显示具有识别的ROI的图像和现在由用户分割并选择的图像。作为实例,图11C示出在右手边的分割面板1114中的单个的分割候选1112和在左手边的第一图像1102中围绕第一损伤1104的椭圆线1110。在这个实例中,应该理解,虽然通常提供多个候选,但是系统仅提供了一个分割候选。图11D示出了分割面板1114中的分割候选1116和在左手边的第一图像1102中的第二损伤1108。
在另一个实施例中,系统可以利用其加载用于单个损伤的几个图像的能力来执行三维空间中的分割。应该注意,可以通过一系列切片来表示三维区域。每个切片可以为二维图像,并且包含对应于损伤的区域。由于加载了一系列图像或切片,所以每个切片中的损伤的表示能够相互关联。因此,大量的切片提供了三维数据设置。如同在二维分割处理中一样,系统也能够分割三维数据集,并提供三维空间中的一系列分割候选用于用户选择,每个分割候选为围绕着可疑损伤的三维包络。用户能够从最适合可疑损伤边界的候选中选择一个包络。
在进一步修改的实施例中,CAD系统在临时窗口(即,被临时分配的显示区)中显示一系列图像,用于用户检查和选择。有利地,在临时窗口中所显示的这些图像可以为“缩略”图像。例如,在步骤910中,可以在临时窗口中加载多个缩略图用于选择,而不是加载一个图像。缩略图为所加载的医学图像的版本,通常具有减小的尺寸,例如,通过降低其分辨率。由于其被减小的尺寸,所以缩略图通常允许更快速的处理和操作。在其它情况下,对应于这些缩略图的图像可以为三维数据集的不同切片、可以为具有被加亮的不同损伤的医学图像的不同版本、可以为示出相同损伤的不同医学图像、或者在不同时期所获取的相同区域的图像、或其组合。这些图像可以为实时获取的图像或从档案文件检索的图像。
这些缩略图可以为具有被加亮用于用户检查和选择的可疑损伤候选的一系列图像。方便地,这些损伤候选可以通过系统被自动识别。例如,为了这个目的,系统(可以是图像处理器)可以提供损伤定位器。损伤定位器首先扫描对应于缩略图的每个图像中的所有像素,并执行图像分析。可以将可能具有明显特性的区域作为对应于损伤候选的区域推荐给用户。可选地,可以将具有类似于不同于背景的结构的特征的区域作为损伤候选推荐给用户。因此,系统可以动态地提供大量的损伤候选用于用户选择,而不需要用户首先为系统识别或限定感兴趣区。系统可以进一步分割对应于损伤候选的每个区域,并将其连同每个损伤候选、每个损伤候选的最佳分割候选呈现给用户。因此,可以以最少的用户干涉来自动地执行步骤920~940。这为用户识别医学图像中的损伤提供了进一步的辅助。
应该注意,可以使用任意适当的方法来识别损伤候选,而不限于上述实例。例如,在三维数据集的情况下,在其中一个切片中被识别的损伤可以提供相邻切片中的损伤的指示。作为另一个实例,MRI数据集可以是在规则的时间间隔处获取的一系列对比增强的MRI图像。在测验前或测验期间,对比增强剂被注入患者胳膊的血管中。典型地,使用钆基对比剂(例如,Gd-DTPA)。对比剂的使用有助于在正常组织和异常组织之间提供更大的对比度。分析增强的时间变化也有利于描绘所成像区域的子集、或子块、或者多个子集来作为损伤候选,系统能够将损伤候选推荐给用户。
有利地,用于显示缩略图的临时窗口能够被配置为显示用户可能感兴趣的缩略图。例如,用户可以选择图像,并将其放置在临时窗口中用于后续处理。被放置在那里的图像可能已经被处理、部分被处理、或者完全没有被处理。部分被处理的图像可以具有由用户识别的少量损伤,但是没有被处理以从损伤中提取特征。方便地,CAD系统可以处理所有新获取的图像,从而如上所述地识别损伤候选,并将至少包含一个可疑损伤的那些图像放置在临时窗口中。因此,可以在临时窗口中放置相应于用户期望进一步检测的图像的一系列缩略图。优选地,排列缩略图,从而帮助放射科医生区分它们的优先顺序。可以使用任意适当的排列系统。例如,可以根据图像包含损伤的可能性来排列缩略图列表。随后,将具有最可疑损伤的图像放置在列表的顶部。或者,可以开发彩色系统来表示可能性。例如,可以使用红色轮廓来表示损伤候选最可疑,黄色用于表示非常可疑,并且蓝色用于表示未被处理的图像。也可以结合不同的排列系统,为放射科医生提供更好的帮助。
一旦识别了候选损伤,则无论是用户选择还是系统选择,用户可以继续CAD处理。例如,CAD处理可以继续提取与候选损伤相关的特征,并通过所提取的特征计算诊断,其细节已经在上文中进行了描述。当然,如先前所述,用户也可以选择绕过图案识别和特征提取,并决定手动地在医学图像中选择特征。随后,CAD软件130被用于通过手动地识别与一个或多个损伤相关的特征来计算诊断。
在操作中,用户首先通过获取一个或多个图像来启动CAD处理,使得系统100可以加载一个或多个图像用于检查和进一步分析。这种进一步检查可以基于用户所识别的ROI或一般评定。系统或软件系统在显示器114中初始显示所分割图像的几个(例如,6个)候选或可疑损伤的几个候选的图库。用户可以选择任意的候选并执行交互,实时地控制图像分析,用于解剖学和病理学的进一步分析。
如果实时地获取了图像,则系统可以被配置为用户提供反馈,并引导用户调节医学扫描设备104,以获取更好的图像。这样能够使放射科医生在一个检查会话期间获取最佳的图像,而不会由于没有获取最佳图像而叫回患者进行另一次检查。例如,由于超声波传感器的不适当的位置或放置产生的假阴影(仿真阴影)所引起的不是最理想的图像。通过实时反馈,用户可以调节超声波传感器的方位或位置,从而消除任何假阴影。或者,用户可以移动传感器扫描可疑区。可以实现帧捕获技术,以帮助识别装置的最佳方位或位置。由于在传感器/凝胶体/皮肤的界面处所施加的不适当压力会降低所获取的超声波图像的质量,所以如果施加了过大的压力,则系统可以通过例如语音报警来实时地提供反馈。
通过CAD系统的辅助,用户能够由此获得最佳的一个或多个图像,以更清晰地示出可以在组织中显示的任何异常。下面的步骤可以如下。如果期望,图像可以首先被分割,呈现大量的分割候选用于选择。系统处理所选择的分割候选,并识别或提取被视为与诊断相关的特征。基于所提取和识别的特征来进行自动诊断。系统显示了叠加了所检测的特性的输入图像的合成透视图。默认的合成透视图显示所有所检测的特性。所检测的特性在结果窗口600中被自动预安装作为所检测特性的列表。
此时,用户可以进一步控制检测处理。例如,如先前所述,用户可以添加或删除由系统初始识别的任意或全部特征。AI规则模块222和评定模块224基于用户的修改自动计算或再计算诊断,随后自动更新BI-RADS评定。在用户确认诊断时,可以生成报告。可选地,为了获取更好的图像,用户可以移动或调节医学扫描设备,由此可以以更高的可信等级来识别或提取特征。用户能够保持调节医学扫描设备和检查图像处理结果,并进行分析,直至获取到最佳图像为止。
如先前所述,可以将不同的医学成像设备与CAD系统集成。在图12所示的一个实施例中,医学扫描设备104为超声波装置1202,该超声波装置1202具有用于通过超声波传感器的定位及方位检索图像帧的专业软件应用程序1204。软件应用程序1204被操作性地连接至超声波装置1202和CAD软件系统130。超声波装置1202获取的任何医学图像具有索引,该索引对应于当获取图像时传感器的位置坐标和方位角。由于超声波装置1202的操作者将超声波装置1202的传感器围绕患者移动,所以生成了一系列图像1206,每个图像都具有位置和方位索引。操作者可以检查一系列图像,并从一系列图像中选择被视为具有最佳质量的一幅图像用于进一步处理。例如,一旦被选择,最佳图像1208可以被分割,并且可以在临时窗口1210中显示六个分割候选的图库用于用户选择,并且能够对所选择的分割候选执行进一步的特征提取。可选地,操作者可以将一系列图像供应给CAD软件系统130,对所获取的每个图像开始CAD处理。
如先前所述,CAD软件系统130可以被用于从每个图像中识别和提取特征列表,并基于所提取和识别的特性计算自动诊断。在完成对所有图像的CAD处理前,操作者可以确定一系列图像没有表现出最佳成像。例如,可能由于传感器的定位或方位的不正确,在图像中引入了一些假阴影。假阴影会对CAD软件系统130正确地识别图像中的真实异常带来困难。施加于超声波传感器的不适当压力也会降低图像质量。劣质图像的提前发现使得操作者能够调节诸如传感器的位置、方位、或压力或者甚至是患者位置的检测参数,从而获取最佳图像。这样,对于所获取的图像的质量,为操作者提供了直接反馈,使得可以进行诸如传感器重新定位的校正行为。
如先前所述,一旦操作者对所获取的最佳图像感到满意,则操作者可以选择一个最好的图像1208,使得CAD软件系统130可以继续CAD处理。一旦用户选择了分割候选,就可以通过特征来计算自动检测的特征列表以及自动诊断。结果在结果窗口600中显示。如先前所述,用户可以随后确认或修改由系统自动识别的特征,然后基于呈现给用户的推荐的诊断组来确认诊断。确认诊断可以与医学图像和其它检测结果一起被保存、传输,用于与其它放射科医生分享,或者用于使用输出设备1212来生成报告。
有利地,当CAD软件系统130被连接至传感器用于实时地获取图像时,操作者也可以通过探针/传感器位置窗口键入传感器或探针的位置和方位,使其包括在报告中。图13A示出了用于用户键入位置和方位信息的图形用户界面。可以通过在线框图1302中选择一个点来键入位置。为了便于键入方位信息,用于表示探针或传感器的矩形1304被叠加地放置在线框图上。通过旋转矩形1304,可以键入探针或传感器的方位。图13B示出了提供所记录的位置和方位信息的报告页面。
图14为概述上述用于获取最佳图像并且随后基于由CAD软件系统130所生成的计算结果来进行诊断的处理1400的流程图。简单地说,操作者通过使用医学扫描设备104获取图像来启动步骤1402的处理。接下来,在步骤1404中,操作者启动CAD处理,以分析所获取的一个或多个图像,并提取和识别与诊断相关的特征。在CAD处理期间,操作者判定所获取的图像是否为最佳,并且在步骤1406中,调节诸如传感器的位置和方位或患者的定位的相应图像获取条件,以获取最佳图像。可以重复这个处理,直至操作者对获取的最佳图像感到满意为止。随后,操作者继续步骤1408,基于从最佳图像识别并提取的特征以及通过所提取的特征进行的计算诊断来进行诊断。
也可以对所描述的处理1400进行改变。例如,可以在处理期间提供实时反馈,使得用户不必完成对所获取的所有图像的CAD处理。例如,每次扫描可以生成一系列图像,这些一系列图像可以在临时窗口中被显示作为一系列缩略图。如上所述,缩略图可以全部具有通过系统自动识别的相同损伤的不同视图,或者可以为具有在每个缩略图中所识别的不同损伤的相同的初始图像。在进一步进行步骤1404至1406之前,用户可以从缩略图中选择一个或几个图像,用于进一步的研究,并且删除余下的图像。因此,用户也可以使用通过处理1400修改的、用于动态拾取图像从而用于研究特殊可疑的一个或多个损伤,而不是使用处理1400获取最佳图像。
作为另一个实例,图12所示的结构也允许操作者研究损伤的弹性,即,获取弹性图图像。为了启动该处理,操作者通过在检查的组织区引入一定的振动来开始。例如,操作者可以对损伤周围的组织施加一定的压力,随后释放压力。应该注意,诸如损伤或结节的异常区具有与其周围组织不同的弹性。由于将振动引入了组织,所以可以通过一系列帧或图像来研究异常区的弹性。应该注意,异常区可以具有不同的弹性,因此对于振动可以作出与周围组织不同的响应。一旦以时序方式被检索,则所捕获的一系列图像可以被用于基于弹性变化来识别损伤或结节。在一个实施例中,分割模块利用从一系列帧中所识别的这些弹性差异,以提供分割候选的更优选择。
作为进一步的实例,在另一个实施例中,图12所示的医学扫描设备104为多普勒成像器。应该注意,多普勒成像对于血管中的流动的血液是敏感的。如果传感器对组织施加了过大的压力,从而妨碍了血液在血管中的流动,则所获取的图像会质量很差。如果传感器所施加的压力过大,则通过图12所示的结构所提供的系统为操作者提供了诸如声音报警的直接反馈。作为调节检测和获取条件的步骤的一部分,操作者可以调节在患者皮肤所施加的传感器压力,以获取最佳的多普勒图像。
以上已经详细描述了发明的各种实施例。对于本领域的技术人员来说,在本发明的精神和原则之内,可以对本发明的实施例进行任何修改、等同替换、改进。由于在不背离本发明的本质的情况下可以对上述最佳模式进行修改或补充,因此本发明仅由权利要求限定,而不限于这些细节。
Claims (34)
1.一种用于对医学图像中捕获的异常提供交互式计算机辅助检测的系统,所述系统包括:
图像处理器,用于处理医学图像并提取医学图像中与诊断异常相关的特征,所提取的特征满足预定义特征集合的描述;
判定引擎,用于通过所提取的特征来生成计算诊断;以及
注释及修改工具,用于用户识别被辅助以所提取的特征的所述医学图像中的特征的集合,以及用于用户基于所识别的特征集合和所述计算诊断来建立诊断。
2.根据权利要求1所述的系统,进一步包括多条规则,用于使所述预定义特征集合与可能诊断的范围相关联,用于所述判定引擎通过所述所提取的特征来计算所述计算诊断。
3.根据权利要求2所述的系统,其中,由诊断医学图像池来校正所述多条规则。
4.根据权利要求1所述的系统,进一步包括损伤定位器,用于分析所述医学图像,并识别所述医学图像中对应于可疑损伤的区域。
5.根据权利要求1所述的系统,其中,所述图像处理器具有分割模块,用于绘制围绕所述医学图像中对应于可疑损伤的区域的边界轮廓。
6.根据权利要求5所述的系统,进一步包括用户界面,用于提供对应于所述可疑损伤的所述区域的多个候选边界轮廓用于用户选择,以及用于从所述用户接收指示,以处理其中一个候选边界轮廓。
7.根据权利要求6所述的系统,其中,所述分割模块被配置用于当用户修改所述候选边界轮廓的控制点集合时再计算所述候选边界轮廓。
8.根据权利要求1所述的系统,其中,所述判定引擎被配置用于通过识别的特征的所述集合来动态地再计算计算诊断。
9.根据权利要求1所述的系统,进一步包括报告模块,用于基于识别的特征的所述集合和所建立的诊断来生成发现物的报告。
10.一种用于对医学图像中捕获的异常提供交互式计算机辅助检测的系统,所述系统包括:
显示器,用于呈现所述医学图像;
输入设备,用于接收用户输入;
分析引擎,用于从所述医学图像中识别图像特性,并提供识别的图像特性的初始集合用于用户检查;
注释及修改工具,用于用户修改识别的图像特性的所述初始集合,从而获得识别的图像特性的修改集合;
其中,所述系统通过所述初始集合和预定义标准的集合来计算初始诊断,将所述初始集合和所述初始诊断提供给用户用于检查,从所述用户接收所修改的集合,并通过所述修改集合和所述预定义标准的集合再计算诊断,用于用户确认。
11.根据权利要求10所述的系统,其中,通过由诊断图像池所校准的规则集合来计算所述诊断。
12.根据权利要求10所述的系统,进一步包括分割模块,用于绘制围绕所述医学图像中对应于可疑损伤的区域的边界轮廓,所述显示器呈现所述边界轮廓用于用户使用所述输入设备进行检查和修改。
13.根据权利要求10所述的系统,进一步包括损伤定位器,用于分析所述医学图像并识别所述医学图像中对应于可疑损伤的候选区,所述显示器呈现所述候选区用于用户选择。
14.一种用于对多幅医学图像中的异常提供计算机辅助诊断的系统,所述多幅医学图像为患者身体的解剖区的不同视图,所述系统包括:
图像获取模块,用于获取所述多幅医学图像;
图像处理器,用于处理所述多幅医学图像的每一幅,并识别所述每幅医学图像中与诊断所述异常相关的特征的初始集合;
判定引擎,用于通过识别的特征的多个所述初始集合来计算初始诊断;以及
注释及修改工具,用于用户修改识别的特征的所述初始集合,以获得识别的特征的修改集合;
其中,所述判定引擎通过识别的特性的所述修改集合来再计算计算诊断,用于用户确认。
15.根据权利要求14所述的系统,进一步包括损伤定位器,用于分析所述医学图像,并识别所述医学图像中对应于可疑损伤的区域用于所述用户选择。
16.根据权利要求15所述的系统,其中,所述损伤定位器识别在所述医学图像中的多个区域,所述多个区域的每个区域都对应于所述用户选择的损伤。
17.根据权利要求16所述的系统,其中,识别的特征的所述初始集合包括与所述多个区的所述每个区相关的特征。
18.根据权利要求14所述的系统,进一步包括报告模块,用于当所述用户确认所述计算诊断时生成诊断报告。
19.根据权利要求18所述的系统,其中,所述诊断报告包括用于审计目的的识别信息。
20.根据权利要求19所述的系统,其中,所述识别信息包括患者识别信息、软件识别信息、检查证明、报告序号、与所述诊断报告相关的时间信息、及用户身份证明中的至少一个。
21.根据权利要求20所述的系统,进一步包括加密模块,用于数字化标记所述诊断报告。
22.根据权利要求14所述的系统,进一步包括模板,用于基于识别的特征的所述修改集合和所述计算诊断来生成摘要文本。
23.根据权利要求22所述的系统,进一步包括预定义规则,用于使识别的特征的所述修改集合和所述计算诊断与治疗建议相关联,所述治疗建议由所述用户修改。
24.根据权利要求14所述的系统,其中,所述系统被配置为处理通过多种形式所获得的所述多个医学图像。
25.根据权利要求24所述的系统,其中,识别的特征的所述初始集合包括与所述每个医学图像中的多个区相关的特征。
26.根据权利要求25所述的系统,其中,通过与所述每个医学图像中的所述多个区相关的识别的特征的所述修改集合来计算所述计算诊断。
27.根据权利要求24所述的系统,其中,所述多种形式包括超声波图像、多普勒图像、频谱多普勒图像、X射线图像、CT图像、PET图像、PET-CT图像、及MRI图像中的至少两种。
28.一种用于对医学图像中捕获的异常提供交互式计算机辅助检测的方法,所述方法包括以下步骤:
获取数字化医学图像;
处理所述数字化医学图像,以识别所述数字化医学图像中的图像特征的初始集合,识别的图像特征的所述初始集合满足预定义特性的集合的描述;
提供识别的图像特征的所述初始集合,用于用户检查;
接收所述用户从识别的图像特征的所述初始集合修改的图像特征的修改集合;
通过图像特征的所述修改集合来计算诊断,用于用户确认;以及
当从所述用户接收到确认诊断时,生成诊断报告。
29.根据权利要求28所述的方法,进一步包括以下步骤:
在处理所述数字化医学图像前,从用户接收所述数字化医学图像中的感兴趣区的识别;
生成对应于所述感兴趣区的多个分割候选;
提供所述多个分割候选,用于用户选择;
其中,当识别图像特征的所述集合时,所述处理步骤利用所选择的分割候选。
30.根据权利要求28所述的方法,进一步包括获取使预定义特性的集合与可能的诊断关联的多条规则的步骤,通过所述多条规则和图像特征的所述修改集合来计算所述诊断。
31.根据权利要求30所述的方法,其中,由诊断医学图像池来校准所述多条规则。
32.一种获取由计算机辅助检测系统辅助的医学图像的方法,所述计算机辅助检测系统具有:医学成像设备,用于生成医学图像;
以及分析引擎,用于处理所述医学图像,所述方法包括以下步骤:
使用所述医学成像设备从患者获取多幅医学图像;
使用所述分析引擎来分析所述多幅医学图像的每幅医学图像;以及
调节获取条件,以从所述多幅医学图像中获得最佳图像。
33.根据权利要求32所述的方法,其中,所述分析所述多幅医学图像中的每幅医学图像的步骤包括提取所述每幅医学图像中与诊断疾病相关的特征,并通过所述提取的特征生成计算诊断。
34.根据权利要求32所述的方法,其中,在相同的检查会话中执行所述获取多幅医学图像并分析所述多幅医学图像的步骤。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US68639705P | 2005-06-02 | 2005-06-02 | |
US60/686,397 | 2005-06-02 | ||
US73899905P | 2005-11-23 | 2005-11-23 | |
US60/738,999 | 2005-11-23 | ||
PCT/CA2006/000906 WO2006128302A1 (en) | 2005-06-02 | 2006-06-02 | System and method of computer-aided detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101203170A true CN101203170A (zh) | 2008-06-18 |
CN101203170B CN101203170B (zh) | 2015-11-25 |
Family
ID=37481192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200680019285.7A Active CN101203170B (zh) | 2005-06-02 | 2006-06-02 | 计算机辅助检测系统 |
Country Status (8)
Country | Link |
---|---|
US (1) | US7783094B2 (zh) |
EP (1) | EP1893077A4 (zh) |
JP (1) | JP2008541889A (zh) |
KR (1) | KR20080021723A (zh) |
CN (1) | CN101203170B (zh) |
AU (1) | AU2006254689B2 (zh) |
CA (1) | CA2610345C (zh) |
WO (1) | WO2006128302A1 (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102612696A (zh) * | 2009-09-28 | 2012-07-25 | 皇家飞利浦电子股份有限公司 | 具有报告验证器和报告增强器的医学信息系统 |
CN102737250A (zh) * | 2011-01-14 | 2012-10-17 | 西门子公司 | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 |
CN103049900A (zh) * | 2011-10-17 | 2013-04-17 | 三星电子株式会社 | 选择候选图像帧的设备和方法以及校正损伤的设备和方法 |
CN103220974A (zh) * | 2010-07-21 | 2013-07-24 | 阿敏·E·莫尔勒 | 图像报告方法 |
CN103530873A (zh) * | 2013-09-18 | 2014-01-22 | 中国人民解放军第四军医大学 | 一种基于三维纹理信息的辅助检测系统及方法 |
CN103841175A (zh) * | 2012-11-23 | 2014-06-04 | 中国移动通信集团公司 | 一种图像特征信息传输方法、装置及系统 |
CN103919573A (zh) * | 2013-01-10 | 2014-07-16 | 三星电子株式会社 | 病变诊断设备和方法 |
CN104540528A (zh) * | 2012-06-11 | 2015-04-22 | 皇家飞利浦有限公司 | 化合物0118的放射性标记类似物及其与pet和/或spect成像相结合以测定含化合物0118的药物是否为患者的候选癌症治疗的用途 |
CN104757993A (zh) * | 2014-01-07 | 2015-07-08 | 三星麦迪森株式会社 | 用于显示医学图像的方法和医学成像设备 |
CN105868524A (zh) * | 2015-02-06 | 2016-08-17 | 国际商业机器公司 | 用于医学图像集的自动基准真值生成 |
CN106061379A (zh) * | 2014-01-10 | 2016-10-26 | 佳能株式会社 | 处理设备、处理方法及程序 |
CN106355005A (zh) * | 2016-08-29 | 2017-01-25 | 孙沐阳 | 一种计算机辅助诊断设备 |
CN106485721A (zh) * | 2015-08-31 | 2017-03-08 | 深圳先进技术研究院 | 从光学相干断层图像获取视网膜结构的方法及其系统 |
CN106659473A (zh) * | 2014-07-29 | 2017-05-10 | 皇家飞利浦有限公司 | 超声成像装置 |
CN106951724A (zh) * | 2017-05-09 | 2017-07-14 | 山东省千佛山医院 | 适用于肝癌及消化道癌的病理诊断报告生成系统及方法 |
CN107194490A (zh) * | 2016-03-14 | 2017-09-22 | 商业对象软件有限公司 | 预测建模优化 |
CN107392913A (zh) * | 2017-08-01 | 2017-11-24 | 郑州云海信息技术有限公司 | 一种图像分割方法及装置 |
CN107545561A (zh) * | 2016-06-27 | 2018-01-05 | 太豪生医股份有限公司 | 乳房图像的分析方法以及其电子装置 |
CN104704534B (zh) * | 2012-10-01 | 2018-01-05 | 皇家飞利浦有限公司 | 医学图像导航 |
CN108463853A (zh) * | 2015-10-30 | 2018-08-28 | 皇家飞利浦有限公司 | 场景感知的医学推荐引擎 |
CN108962357A (zh) * | 2018-06-28 | 2018-12-07 | 深圳开立生物医疗科技股份有限公司 | 一种注释方法、系统、设备及计算机可读存储介质 |
CN109346158A (zh) * | 2018-09-30 | 2019-02-15 | 浙江格林蓝德信息技术有限公司 | 超声影像处理方法、计算机设备和可读存储介质 |
CN109817297A (zh) * | 2018-12-19 | 2019-05-28 | 平安科技(深圳)有限公司 | 医疗报告的生成方法、装置、计算机设备及计算机存储介质 |
CN110473628A (zh) * | 2012-11-16 | 2019-11-19 | 三星电子株式会社 | 设备及在设备中进行显示的方法 |
WO2019232742A1 (zh) * | 2018-06-07 | 2019-12-12 | 深圳迈瑞生物医疗电子股份有限公司 | 基于超声影像设备的图像分析方法及超声影像设备 |
CN110611567A (zh) * | 2019-09-20 | 2019-12-24 | 福州大学 | 基于非确定性有限自动机的隐私保护医学诊疗系统 |
CN111354441A (zh) * | 2018-12-21 | 2020-06-30 | 北京赛迈特锐医疗科技有限公司 | 对医学影像ai运行结果进行监测的系统及其方法 |
CN112020332A (zh) * | 2018-05-07 | 2020-12-01 | 豪洛捷公司 | 乳房超声工作流程应用 |
CN113256628A (zh) * | 2021-07-05 | 2021-08-13 | 深圳科亚医疗科技有限公司 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
CN113366580A (zh) * | 2018-12-31 | 2021-09-07 | 通用电气精准医疗有限责任公司 | 使用分布式学习平台促进将人工智能集成到系统中 |
Families Citing this family (228)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8134571B2 (en) * | 2005-10-05 | 2012-03-13 | Siemens Medical Solutions Usa, Inc. | Automatic CAD algorithm selection |
US20080255849A9 (en) * | 2005-11-22 | 2008-10-16 | Gustafson Gregory A | Voice activated mammography information systems |
US8014576B2 (en) * | 2005-11-23 | 2011-09-06 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
US8010184B2 (en) * | 2005-11-30 | 2011-08-30 | General Electric Company | Method and apparatus for automatically characterizing a malignancy |
JP5554927B2 (ja) | 2006-02-15 | 2014-07-23 | ホロジック, インコーポレイテッド | トモシンセシスシステムを使用した乳房バイオプシおよびニードル位置特定 |
US7917514B2 (en) * | 2006-06-28 | 2011-03-29 | Microsoft Corporation | Visual and multi-dimensional search |
US20100293505A1 (en) * | 2006-08-11 | 2010-11-18 | Koninklijke Philips Electronics N.V. | Anatomy-related image-context-dependent applications for efficient diagnosis |
US7787677B2 (en) | 2006-08-16 | 2010-08-31 | Mevis Breastcare Gmbh & Co. Kg | Presentation method, presentation device and computer program for presenting an image of an object |
US7672495B2 (en) * | 2006-08-17 | 2010-03-02 | Mevis Breastcare Gmbh & Co. Kg | Method, apparatus and computer program for displaying marks in an image data set |
EP2057569A1 (en) * | 2006-08-16 | 2009-05-13 | MeVis BreastCare GmbH & Co. KG | Method, apparatus and computer program for presenting cases comprising images |
US8432465B2 (en) * | 2006-09-25 | 2013-04-30 | Siemens Medical Solutions Usa, Inc. | System and method for establishing zoom settings for display of an anatomical image |
GB2443389A (en) * | 2006-11-03 | 2008-05-07 | Astron Clinica Ltd | Method and apparatus for obtaining a measurement of sun damage |
US20080120142A1 (en) * | 2006-11-20 | 2008-05-22 | Vivalog Llc | Case management for image-based training, decision support, and consultation |
US20080140722A1 (en) * | 2006-11-20 | 2008-06-12 | Vivalog Llc | Interactive viewing, asynchronous retrieval, and annotation of medical images |
US8194947B2 (en) * | 2006-11-21 | 2012-06-05 | Hologic, Inc. | Facilitating comparison of medical images |
US20080133572A1 (en) * | 2006-12-05 | 2008-06-05 | Siemens Medical Solutions Usa, Inc. | System and User Interface for Adaptively Migrating, Pre-populating and Validating Data |
US7844087B2 (en) * | 2006-12-19 | 2010-11-30 | Carestream Health, Inc. | Method for segmentation of lesions |
US7792348B2 (en) * | 2006-12-19 | 2010-09-07 | Fujifilm Corporation | Method and apparatus of using probabilistic atlas for cancer detection |
US7961945B2 (en) * | 2007-02-13 | 2011-06-14 | Technische Universität München | System and method for on-the-fly segmentations for image deformations |
US8267865B2 (en) * | 2007-02-16 | 2012-09-18 | University Of Rochester | Sonoelastographic shear velocity imaging using crawling wave excitation |
JP5646128B2 (ja) * | 2007-02-28 | 2014-12-24 | 株式会社東芝 | 医用画像検索システム |
US9968256B2 (en) * | 2007-03-08 | 2018-05-15 | Sync-Rx Ltd. | Automatic identification of a tool |
DE102007012784B4 (de) * | 2007-03-16 | 2009-02-26 | Siemens Ag | Verfahren, etc. zum Datenaustausch zwischen medizinischen Geräten |
JP2008257291A (ja) * | 2007-03-30 | 2008-10-23 | Fujifilm Corp | 症例データベース管理システム及び方法 |
US7860286B2 (en) * | 2007-04-24 | 2010-12-28 | Microsoft Corporation | Medical image acquisition error detection |
JP5238187B2 (ja) * | 2007-05-16 | 2013-07-17 | 株式会社東芝 | 医用画像診断装置および付帯情報の記録方法 |
US8098917B2 (en) * | 2007-05-18 | 2012-01-17 | Siemens Aktiengesellschaft | Automatically updating a geometric model |
US8340437B2 (en) | 2007-05-29 | 2012-12-25 | University Of Iowa Research Foundation | Methods and systems for determining optimal features for classifying patterns or objects in images |
US20090016589A1 (en) * | 2007-07-10 | 2009-01-15 | Siemens Medical Solutions Usa, Inc. | Computer-Assisted Detection of Colonic Polyps Using Convex Hull |
US8238662B2 (en) * | 2007-07-17 | 2012-08-07 | Smart Technologies Ulc | Method for manipulating regions of a digital image |
US20090040565A1 (en) * | 2007-08-08 | 2009-02-12 | General Electric Company | Systems, methods and apparatus for healthcare image rendering components |
US8654139B2 (en) * | 2007-08-29 | 2014-02-18 | Mckesson Technologies Inc. | Methods and systems to transmit, view, and manipulate medical images in a general purpose viewing agent |
US20090069669A1 (en) * | 2007-09-11 | 2009-03-12 | Siemens Medical Solutions Usa, Inc. | Efficient Features for Detection of Motion Artifacts in Breast MRI |
WO2009052375A1 (en) * | 2007-10-19 | 2009-04-23 | Boston Scientific Scimed, Inc. | Display of classifier output and confidence measure in an image |
US9171344B2 (en) | 2007-10-30 | 2015-10-27 | Onemednet Corporation | Methods, systems, and devices for managing medical images and records |
US8065166B2 (en) | 2007-10-30 | 2011-11-22 | Onemednet Corporation | Methods, systems, and devices for managing medical images and records |
US20090132285A1 (en) * | 2007-10-31 | 2009-05-21 | Mckesson Information Solutions Llc | Methods, computer program products, apparatuses, and systems for interacting with medical data objects |
US8520978B2 (en) * | 2007-10-31 | 2013-08-27 | Mckesson Technologies Inc. | Methods, computer program products, apparatuses, and systems for facilitating viewing and manipulation of an image on a client device |
US9239958B2 (en) | 2007-11-09 | 2016-01-19 | The Nielsen Company (Us), Llc | Methods and apparatus to measure brand exposure in media streams |
US9757083B2 (en) * | 2007-12-28 | 2017-09-12 | Koninklijke Philips N.V. | Scanning method and system |
US9235887B2 (en) | 2008-02-19 | 2016-01-12 | Elucid Bioimaging, Inc. | Classification of biological tissue by multi-mode data registration, segmentation and characterization |
WO2009105530A2 (en) * | 2008-02-19 | 2009-08-27 | The Trustees Of The University Of Pennsylvania | System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors |
US20090287487A1 (en) * | 2008-05-14 | 2009-11-19 | General Electric Company | Systems and Methods for a Visual Indicator to Track Medical Report Dictation Progress |
KR101068828B1 (ko) * | 2008-06-27 | 2011-09-29 | 재단법인서울대학교산학협력재단 | 네트워크 기반 의료영상 분석시스템 및 그 제어방법 |
US8401260B2 (en) * | 2008-09-22 | 2013-03-19 | General Electric Company | Systems and methods for analyzing growth of computer detected patterns on digital medical images |
JP5650647B2 (ja) * | 2008-09-26 | 2015-01-07 | コーニンクレッカ フィリップス エヌ ヴェ | コンピュータ支援診断用に臨床フィーチャと画像フィーチャを融合するシステム及び方法 |
US7924974B2 (en) * | 2008-09-29 | 2011-04-12 | Mir Medical Imaging Research Holding Gmbh | X-ray machine for breast examination in a standing position |
WO2010038172A1 (en) * | 2008-10-01 | 2010-04-08 | Koninklijke Philips Electronics N.V. | Selection of snapshots of a medical image sequence |
US9357974B2 (en) * | 2008-10-27 | 2016-06-07 | Carestream Health, Inc. | Integrated portable digital X-ray imaging system |
JP5667066B2 (ja) * | 2008-11-05 | 2015-02-12 | コーニンクレッカ フィリップス エヌ ヴェ | Mrスキャンの自動シーケンシャルプランニング |
BRPI0917757B1 (pt) * | 2008-12-18 | 2020-03-17 | Koninklijke Philips N. V. | Sistema de imagem médica e método para relatar um erro ou deficiência de desempenho associado com um módulo de processamento de imagem médica de um sistema de imagem médica |
CN102361594B (zh) * | 2009-03-26 | 2014-10-29 | 皇家飞利浦电子股份有限公司 | 由临床指南导航器支持的基于pet/ct的治疗监测系统 |
US8346800B2 (en) * | 2009-04-02 | 2013-01-01 | Microsoft Corporation | Content-based information retrieval |
WO2010126797A1 (en) | 2009-04-29 | 2010-11-04 | Onemednet Corporation | Methods, systems, and devices for managing medical images and records |
WO2010150961A1 (ko) * | 2009-06-23 | 2010-12-29 | (주)엘지전자 | 3차원 영상 제공 장치, 표시 장치 및 그 방법 |
JP5220705B2 (ja) * | 2009-07-23 | 2013-06-26 | オリンパス株式会社 | 画像処理装置、画像処理プログラムおよび画像処理方法 |
JP5572440B2 (ja) * | 2009-09-15 | 2014-08-13 | 富士フイルム株式会社 | 診断支援システム、診断支援プログラムおよび診断支援方法 |
BR112012012081A2 (pt) * | 2009-11-24 | 2019-09-24 | Koninklijke Philips Elecronics N V | método para o processamento de um arquivo de imagens médicas kobitidas em um procedimento de imagem guiada por protocolo ,equipamento para o processamento de um arquivo de imagens médicas obtidas por um procedimento de imagem guiada por protocolo e elemamto de programa de computador contendo conjuntos de instruções |
US8799013B2 (en) * | 2009-11-24 | 2014-08-05 | Penrad Technologies, Inc. | Mammography information system |
US8687860B2 (en) * | 2009-11-24 | 2014-04-01 | Penrad Technologies, Inc. | Mammography statistical diagnostic profiler and prediction system |
US20110182493A1 (en) * | 2010-01-25 | 2011-07-28 | Martin Huber | Method and a system for image annotation |
US10621307B2 (en) * | 2010-04-29 | 2020-04-14 | Definiens Gmbh | Image-based patient profiles |
EP2588980A1 (en) * | 2010-06-30 | 2013-05-08 | Koninklijke Philips Electronics N.V. | Interactive image analysis |
JP5725745B2 (ja) * | 2010-07-05 | 2015-05-27 | 株式会社東芝 | X線診断装置及び医用画像診断装置 |
US10282840B2 (en) * | 2010-07-21 | 2019-05-07 | Armin Moehrle | Image reporting method |
US8583718B2 (en) | 2010-08-17 | 2013-11-12 | Fujitsu Limited | Comparing boolean functions representing sensor data |
US9002781B2 (en) | 2010-08-17 | 2015-04-07 | Fujitsu Limited | Annotating environmental data represented by characteristic functions |
US8572146B2 (en) | 2010-08-17 | 2013-10-29 | Fujitsu Limited | Comparing data samples represented by characteristic functions |
US8645108B2 (en) | 2010-08-17 | 2014-02-04 | Fujitsu Limited | Annotating binary decision diagrams representing sensor data |
US9138143B2 (en) * | 2010-08-17 | 2015-09-22 | Fujitsu Limited | Annotating medical data represented by characteristic functions |
US8930394B2 (en) | 2010-08-17 | 2015-01-06 | Fujitsu Limited | Querying sensor data stored as binary decision diagrams |
US8495038B2 (en) | 2010-08-17 | 2013-07-23 | Fujitsu Limited | Validating sensor data represented by characteristic functions |
US8874607B2 (en) | 2010-08-17 | 2014-10-28 | Fujitsu Limited | Representing sensor data as binary decision diagrams |
JP5800595B2 (ja) * | 2010-08-27 | 2015-10-28 | キヤノン株式会社 | 医療診断支援装置、医療診断支援システム、医療診断支援の制御方法、及びプログラム |
US20120076371A1 (en) * | 2010-09-23 | 2012-03-29 | Siemens Aktiengesellschaft | Phantom Identification |
CN101984928B (zh) * | 2010-09-29 | 2012-06-13 | 北京大学 | 一种多模态分子层析成像系统 |
RU2598329C2 (ru) * | 2010-09-30 | 2016-09-20 | Конинклейке Филипс Электроникс Н.В. | Отображение изображений и аннотаций |
US20120133600A1 (en) | 2010-11-26 | 2012-05-31 | Hologic, Inc. | User interface for medical image review workstation |
WO2012078636A1 (en) | 2010-12-07 | 2012-06-14 | University Of Iowa Research Foundation | Optimal, user-friendly, object background separation |
CN102075645B (zh) * | 2010-12-21 | 2016-03-30 | 中国农业大学 | 基于ivr的黄瓜病害数值诊断方法与系统 |
EP2656243B1 (en) * | 2010-12-23 | 2019-06-26 | Koninklijke Philips N.V. | Generation of pictorial reporting diagrams of lesions in anatomical structures |
AU2012207076A1 (en) | 2011-01-20 | 2013-08-15 | University Of Iowa Research Foundation | Automated determination of arteriovenous ratio in images of blood vessels |
US9575994B2 (en) * | 2011-02-11 | 2017-02-21 | Siemens Aktiengesellschaft | Methods and devices for data retrieval |
US20120232930A1 (en) * | 2011-03-12 | 2012-09-13 | Definiens Ag | Clinical Decision Support System |
US20120259224A1 (en) * | 2011-04-08 | 2012-10-11 | Mon-Ju Wu | Ultrasound Machine for Improved Longitudinal Tissue Analysis |
JP2012221393A (ja) * | 2011-04-13 | 2012-11-12 | Fujifilm Corp | 校正情報処理装置、校正情報処理方法、プログラム及び電子校正システム |
EP2701603B1 (en) | 2011-04-28 | 2016-01-06 | Koninklijke Philips N.V. | Medical imaging device with separate button for selecting candidate segmentation images |
JP5665655B2 (ja) * | 2011-05-24 | 2015-02-04 | 株式会社日立製作所 | 画像処理装置及び方法 |
JP6088498B2 (ja) * | 2011-06-22 | 2017-03-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 医用画像を処理するシステム及び方法 |
JP2013005953A (ja) * | 2011-06-26 | 2013-01-10 | Hattori Misaki | 読影用画像データの作成方法及び読影用画像データファイル |
WO2013019517A1 (en) | 2011-08-02 | 2013-02-07 | Ciinow, Inc. | A method and mechanism for efficiently delivering visual data across a network |
US9177247B2 (en) | 2011-09-23 | 2015-11-03 | Fujitsu Limited | Partitioning medical binary decision diagrams for analysis optimization |
US8909592B2 (en) | 2011-09-23 | 2014-12-09 | Fujitsu Limited | Combining medical binary decision diagrams to determine data correlations |
US9176819B2 (en) | 2011-09-23 | 2015-11-03 | Fujitsu Limited | Detecting sensor malfunctions using compression analysis of binary decision diagrams |
US8838523B2 (en) | 2011-09-23 | 2014-09-16 | Fujitsu Limited | Compression threshold analysis of binary decision diagrams |
US8719214B2 (en) | 2011-09-23 | 2014-05-06 | Fujitsu Limited | Combining medical binary decision diagrams for analysis optimization |
US8620854B2 (en) | 2011-09-23 | 2013-12-31 | Fujitsu Limited | Annotating medical binary decision diagrams with health state information |
US8812943B2 (en) | 2011-09-23 | 2014-08-19 | Fujitsu Limited | Detecting data corruption in medical binary decision diagrams using hashing techniques |
US8781995B2 (en) | 2011-09-23 | 2014-07-15 | Fujitsu Limited | Range queries in binary decision diagrams |
US9075908B2 (en) | 2011-09-23 | 2015-07-07 | Fujitsu Limited | Partitioning medical binary decision diagrams for size optimization |
KR101899866B1 (ko) * | 2011-11-03 | 2018-09-19 | 삼성전자주식회사 | 병변 경계의 오류 검출 장치 및 방법, 병변 경계의 오류 수정 장치 및 방법 및, 병변 경계의 오류 검사 장치 |
KR20130049638A (ko) * | 2011-11-04 | 2013-05-14 | 삼성전자주식회사 | 병변 진단 장치 및 방법 |
EP2779907B1 (en) * | 2011-11-16 | 2022-06-15 | Philips Image Guided Therapy Corporation | Medical measuring system and method |
JP2014534042A (ja) | 2011-11-27 | 2014-12-18 | ホロジック, インコーポレイテッドHologic, Inc. | マンモグラフィーおよび/またはトモシンセシス画像データを使用して2d画像を生成するためのシステムおよび方法 |
KR20130082849A (ko) * | 2011-12-20 | 2013-07-22 | 삼성전자주식회사 | 진단 근거를 제공하는 의료영상 진단 장치 및 방법 |
JP5952568B2 (ja) | 2012-01-24 | 2016-07-13 | キヤノン株式会社 | 画像診断支援装置、その処理方法及びプログラム |
JP6059444B2 (ja) * | 2012-03-30 | 2017-01-11 | ソニー株式会社 | 画像処理装置および方法、並びにプログラム |
ITFI20120072A1 (it) * | 2012-04-05 | 2013-10-06 | Sr Labs S R L | Metodo e sistema per il miglioramento dell'esplorazione visiva di un'immagine durante la ricerca di un target. |
US9545196B2 (en) | 2012-05-04 | 2017-01-17 | University Of Iowa Research Foundation | Automated assessment of glaucoma loss from optical coherence tomography |
US8977026B2 (en) * | 2012-05-30 | 2015-03-10 | General Electric Company | Methods and systems for locating a region of interest in an object |
US8868768B2 (en) | 2012-11-20 | 2014-10-21 | Ikonopedia, Inc. | Secure medical data transmission |
WO2013181638A2 (en) * | 2012-05-31 | 2013-12-05 | Ikonopedia, Inc. | Image based analytical systems and processes |
CN104602638B (zh) * | 2012-06-27 | 2017-12-19 | 曼特瑞斯医药有限责任公司 | 用于影响对组织进行治疗的系统 |
JP2014012040A (ja) * | 2012-07-03 | 2014-01-23 | Sony Corp | 入力装置および情報処理システム |
US10064546B2 (en) * | 2012-10-24 | 2018-09-04 | Nidek Co., Ltd. | Ophthalmic analysis apparatus and ophthalmic analysis program |
KR102043130B1 (ko) | 2012-11-16 | 2019-11-11 | 삼성전자주식회사 | 컴퓨터 보조 진단 방법 및 장치 |
KR102123061B1 (ko) | 2012-11-27 | 2020-06-16 | 삼성전자주식회사 | 사용자의 인터랙션을 기반으로 영상 내의 윤곽선을 분할하는 장치 및 방법 |
KR20140091176A (ko) * | 2013-01-10 | 2014-07-21 | 삼성전자주식회사 | 병변 진단 장치 및 방법 |
US10360672B2 (en) | 2013-03-15 | 2019-07-23 | University Of Iowa Research Foundation | Automated separation of binary overlapping trees |
KR101479845B1 (ko) * | 2013-05-31 | 2015-01-09 | 서울여자대학교 산학협력단 | 무릎 자기공명영상의 전방십자인대 분할 장치 및 그 분할 방법 |
US20140379364A1 (en) * | 2013-06-20 | 2014-12-25 | Koninklijke Philips N.V. | Intelligent computer-guided structured reporting for efficiency and clinical decision support |
KR101533591B1 (ko) * | 2013-07-08 | 2015-07-06 | 삼성메디슨 주식회사 | 의료 영상 장치 및 의료 영상 제공 방법 |
US9466012B2 (en) | 2013-07-11 | 2016-10-11 | Radiological Imaging Technology, Inc. | Phantom image classification |
US9721340B2 (en) * | 2013-08-13 | 2017-08-01 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems, methods and devices for analyzing quantitative information obtained from radiological images |
US9355447B2 (en) * | 2013-08-21 | 2016-05-31 | Wisconsin Alumni Research Foundation | System and method for gradient assisted non-connected automatic region (GANAR) analysis |
KR102122793B1 (ko) * | 2013-08-22 | 2020-06-15 | 삼성전자주식회사 | 전자 디바이스 및 전자 디바이스에서 이미지 처리 방법 |
US9589349B2 (en) * | 2013-09-25 | 2017-03-07 | Heartflow, Inc. | Systems and methods for controlling user repeatability and reproducibility of automated image annotation correction |
EP3049975B1 (en) | 2013-09-25 | 2018-11-07 | HeartFlow, Inc. | Systems and methods for validating and correcting automated medical image annotations |
US10025479B2 (en) * | 2013-09-25 | 2018-07-17 | Terarecon, Inc. | Advanced medical image processing wizard |
CN103593652B (zh) * | 2013-10-28 | 2016-08-24 | 西京学院 | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 |
US10445465B2 (en) * | 2013-11-19 | 2019-10-15 | General Electric Company | System and method for efficient transmission of patient data |
JP2015102944A (ja) * | 2013-11-22 | 2015-06-04 | コニカミノルタ株式会社 | 医用情報処理装置 |
JP5797364B1 (ja) * | 2013-12-05 | 2015-10-21 | オリンパス株式会社 | 超音波観測装置、超音波観測装置の作動方法、及び超音波観測装置の作動プログラム |
WO2015127464A1 (en) | 2014-02-24 | 2015-08-27 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Methods and systems for performing segmentation and registration of images using neutrosophic similarity scores |
US9443161B2 (en) * | 2014-02-24 | 2016-09-13 | Dimensions And Shapes, Llc | Methods and systems for performing segmentation and registration of images using neutrosophic similarity scores |
AU2015222981B2 (en) | 2014-02-28 | 2019-01-31 | Hologic, Inc. | System and method for generating and displaying tomosynthesis image slabs |
WO2015143435A1 (en) | 2014-03-21 | 2015-09-24 | University Of Iowa Research Foundation | Graph search using non-euclidean deformed graph |
US20150286780A1 (en) * | 2014-04-08 | 2015-10-08 | Siemens Medical Solutions Usa, Inc. | Imaging Protocol Optimization With Consensus Of The Community |
CN103942799B (zh) * | 2014-04-25 | 2017-02-01 | 哈尔滨医科大学 | 一种乳腺超声图像分割方法及系统 |
KR102251245B1 (ko) * | 2014-04-30 | 2021-05-12 | 삼성전자주식회사 | 관심 영역별 추가 정보 제공 장치 및 방법 |
JP2015215740A (ja) * | 2014-05-09 | 2015-12-03 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
US20170150941A1 (en) * | 2014-07-02 | 2017-06-01 | Koninklijke Philips N.V. | Lesion signature to characterize pathology for specific subject |
KR20160012758A (ko) * | 2014-07-25 | 2016-02-03 | 삼성전자주식회사 | 영상 진단 보조 장치 및 방법 |
US10620826B2 (en) * | 2014-08-28 | 2020-04-14 | Qualcomm Incorporated | Object selection based on region of interest fusion |
WO2016038535A1 (en) * | 2014-09-10 | 2016-03-17 | Koninklijke Philips N.V. | Image report annotation identification |
JP6053044B2 (ja) * | 2014-09-16 | 2016-12-27 | 富士フイルム株式会社 | 携帯型コンソール、携帯型コンソールの制御方法、携帯型コンソール用プログラム及び放射線撮影システム |
KR102251242B1 (ko) | 2014-11-26 | 2021-05-12 | 삼성전자주식회사 | 컴퓨터 보조 진단 장치 및 방법 |
KR102307356B1 (ko) * | 2014-12-11 | 2021-09-30 | 삼성전자주식회사 | 컴퓨터 보조 진단 장치 및 방법 |
KR102325346B1 (ko) * | 2014-12-15 | 2021-11-11 | 삼성전자주식회사 | 의료 영상 진단 장치 및 방법 |
US10055542B2 (en) * | 2015-03-25 | 2018-08-21 | Niramai Health Analytix Pvt Ltd | Software interface tool for breast cancer screening |
WO2016151428A1 (en) * | 2015-03-25 | 2016-09-29 | Koninklijke Philips N.V. | Optimal ultrasound-based organ segmentation |
US10115194B2 (en) | 2015-04-06 | 2018-10-30 | IDx, LLC | Systems and methods for feature detection in retinal images |
US10269114B2 (en) | 2015-06-12 | 2019-04-23 | International Business Machines Corporation | Methods and systems for automatically scoring diagnoses associated with clinical images |
GB2539963A (en) * | 2015-07-03 | 2017-01-04 | Williams Justin | Thermographic imaging system |
US9760807B2 (en) * | 2016-01-08 | 2017-09-12 | Siemens Healthcare Gmbh | Deep image-to-image network learning for medical image analysis |
KR102439769B1 (ko) | 2016-01-18 | 2022-09-05 | 삼성메디슨 주식회사 | 의료 영상 장치 및 그 동작방법 |
US10007971B2 (en) * | 2016-03-14 | 2018-06-26 | Sensors Unlimited, Inc. | Systems and methods for user machine interaction for image-based metrology |
JP6711676B2 (ja) * | 2016-04-13 | 2020-06-17 | キヤノン株式会社 | 医用レポート作成装置及びその制御方法、医用レポート作成システム、並びに、プログラム |
WO2018013703A1 (en) | 2016-07-12 | 2018-01-18 | Mindshare Medical, Inc. | Medical analytics system |
EP3488367B1 (en) * | 2016-07-21 | 2022-03-30 | Koninklijke Philips N.V. | Annotating medical images |
JP6757209B2 (ja) | 2016-08-29 | 2020-09-16 | キヤノン株式会社 | 医用情報処理装置、医用情報処理システム、医用情報処理方法およびプログラム |
US10276265B2 (en) | 2016-08-31 | 2019-04-30 | International Business Machines Corporation | Automated anatomically-based reporting of medical images via image annotation |
US10729396B2 (en) * | 2016-08-31 | 2020-08-04 | International Business Machines Corporation | Tracking anatomical findings within medical images |
US11610687B2 (en) * | 2016-09-06 | 2023-03-21 | Merative Us L.P. | Automated peer review of medical imagery |
JP6886260B2 (ja) * | 2016-09-07 | 2021-06-16 | キヤノン株式会社 | 画像処理装置、その制御方法、およびプログラム |
JP6808422B2 (ja) * | 2016-09-27 | 2021-01-06 | キヤノン株式会社 | 医用情報処理装置、医用情報処理システム、医用情報処理方法およびプログラム |
US20180113100A1 (en) * | 2016-10-25 | 2018-04-26 | Olympus Scientific Solutions Americas Inc. | Phased array weld inspection system with assisted analysis tools |
US10839299B2 (en) * | 2016-10-28 | 2020-11-17 | International Business Machines Corporation | Non-leading computer aided detection of features of interest in imagery |
JP6382921B2 (ja) * | 2016-12-09 | 2018-08-29 | ソニー株式会社 | 画像処理装置および方法、並びにプログラム |
CN106682446A (zh) * | 2017-01-24 | 2017-05-17 | 宁波江丰生物信息技术有限公司 | 一种病理诊断方法 |
WO2018152352A1 (en) * | 2017-02-18 | 2018-08-23 | Mmodal Ip Llc | Computer-automated scribe tools |
US10140710B2 (en) | 2017-03-09 | 2018-11-27 | Kevin Augustus Kreeger | Automatic key frame detection |
WO2018183549A1 (en) | 2017-03-30 | 2018-10-04 | Hologic, Inc. | System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement |
CN110621231B (zh) | 2017-03-30 | 2024-02-23 | 豪洛捷公司 | 用于分层次多级特征图像合成和表示的系统以及方法 |
GB201705876D0 (en) | 2017-04-11 | 2017-05-24 | Kheiron Medical Tech Ltd | Recist |
GB201705911D0 (en) | 2017-04-12 | 2017-05-24 | Kheiron Medical Tech Ltd | Abstracts |
US11636589B2 (en) * | 2017-04-20 | 2023-04-25 | Vigilance Health Imaging Network Inc. | Identification of candidate elements in images for determination of disease state using atlas elements |
USD855651S1 (en) | 2017-05-12 | 2019-08-06 | International Business Machines Corporation | Display screen with a graphical user interface for image-annotation classification |
WO2018236565A1 (en) | 2017-06-20 | 2018-12-27 | Hologic, Inc. | METHOD AND SYSTEM FOR MEDICAL IMAGING WITH DYNAMIC SELF-LEARNING |
KR102557389B1 (ko) * | 2017-06-26 | 2023-07-20 | 삼성메디슨 주식회사 | 초음파 영상장치 및 그 제어 방법 |
EP3649918B1 (en) * | 2017-07-03 | 2023-08-02 | FUJIFILM Corporation | Medical image processing device, endoscope device, diagnostic support device, medical service support device and report generation support device |
WO2019039050A1 (ja) * | 2017-08-25 | 2019-02-28 | 富士フイルム株式会社 | 音響波診断装置および音響波診断装置の制御方法 |
WO2019054045A1 (ja) * | 2017-09-15 | 2019-03-21 | 富士フイルム株式会社 | 医療画像処理装置、医療画像処理方法及び医療画像処理プログラム |
US11244456B2 (en) | 2017-10-03 | 2022-02-08 | Ohio State Innovation Foundation | System and method for image segmentation and digital analysis for clinical trial scoring in skin disease |
US10783634B2 (en) | 2017-11-22 | 2020-09-22 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
US11049250B2 (en) * | 2017-11-22 | 2021-06-29 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
US10799189B2 (en) * | 2017-11-22 | 2020-10-13 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
CN109830284A (zh) * | 2017-11-23 | 2019-05-31 | 天启慧眼(北京)信息技术有限公司 | 医学影像的分析方法及装置 |
US10832808B2 (en) | 2017-12-13 | 2020-11-10 | International Business Machines Corporation | Automated selection, arrangement, and processing of key images |
US10304564B1 (en) * | 2017-12-13 | 2019-05-28 | International Business Machines Corporation | Methods and systems for displaying an image |
KR102591371B1 (ko) * | 2017-12-28 | 2023-10-19 | 삼성메디슨 주식회사 | 초음파 영상 장치 및 그 제어 방법 |
EP3506279A1 (en) | 2018-01-02 | 2019-07-03 | Koninklijke Philips N.V. | Automatic diagnosis report preparation |
KR102141363B1 (ko) * | 2018-02-08 | 2020-08-05 | 주식회사 셀바스에이아이 | 암 의심 영역의 예측 모델의 평가 방법 |
KR102140437B1 (ko) * | 2018-02-08 | 2020-08-03 | 주식회사 셀바스에이아이 | 암 의심 영역의 예측 방법 및 이를 이용한 암 의심 영역의 예측 디바이스 |
US20190272921A1 (en) * | 2018-03-02 | 2019-09-05 | Mmodal Ip Llc | Automated Diagnostic Support System for Clinical Documentation Workflows |
KR20190105461A (ko) * | 2018-03-05 | 2019-09-17 | 주식회사 인공지능연구원 | 종양의 악성도와 악성도 추론의 근거를 제공하는 컴퓨터 보조 진단 시스템 및 그 방법 |
EP3553740A1 (en) * | 2018-04-13 | 2019-10-16 | Koninklijke Philips N.V. | Automatic slice selection in medical imaging |
JP6797858B2 (ja) * | 2018-04-18 | 2020-12-09 | キヤノン株式会社 | 医用画像表示装置、表示制御装置および表示制御方法、プログラム |
EP3784139A4 (en) * | 2018-04-27 | 2021-12-29 | Delphinus Medical Technologies, Inc. | System and method for feature extraction and classification on ultrasound tomography images |
WO2019215109A1 (en) * | 2018-05-08 | 2019-11-14 | Koninklijke Philips N.V. | Convolutional localization networks for intelligent captioning of medical images |
WO2019222135A1 (en) | 2018-05-16 | 2019-11-21 | Benevis Informatics, Llc | Systems and methods for review of computer-aided detection of pathology in images |
SI3806744T1 (sl) | 2018-06-14 | 2022-07-29 | Kheiron Medical Technologies Ltd | Takojšnja ocena |
US10740866B2 (en) | 2018-06-26 | 2020-08-11 | International Business Machines Corporation | Determining appropriate medical image processing pipeline based on machine learning |
JP6951576B2 (ja) * | 2018-07-02 | 2021-10-20 | 富士フイルム株式会社 | 音響波診断装置および音響波診断装置の制御方法 |
CN112584746A (zh) * | 2018-08-23 | 2021-03-30 | 富士胶片株式会社 | 医用图像处理装置和内窥镜系统以及医用图像处理装置的工作方法 |
EP3637425A1 (en) * | 2018-10-08 | 2020-04-15 | Smart Reporting GmbH | Method and system for generating a report |
EP3651163A1 (en) * | 2018-11-06 | 2020-05-13 | Koninklijke Philips N.V. | Medical image device and operating method |
US10672510B1 (en) * | 2018-11-13 | 2020-06-02 | Biosense Webster (Israel) Ltd. | Medical user interface |
US10290101B1 (en) * | 2018-12-07 | 2019-05-14 | Sonavista, Inc. | Heat map based medical image diagnostic mechanism |
CN111584074A (zh) * | 2019-02-18 | 2020-08-25 | 清华大学 | 肌肉损伤的评价方法及装置 |
WO2020183770A1 (ja) | 2019-03-08 | 2020-09-17 | 富士フイルム株式会社 | 医用画像処理装置、プロセッサ装置、内視鏡システム、医用画像処理方法、及びプログラム |
EP3936027A4 (en) * | 2019-03-08 | 2022-04-27 | FUJIFILM Corporation | DEVICE AND METHOD FOR PROCESSING MEDICAL IMAGES |
JP7145107B2 (ja) * | 2019-03-11 | 2022-09-30 | 富士フイルムヘルスケア株式会社 | 超音波診断装置及び表示方法 |
KR20200109093A (ko) * | 2019-03-12 | 2020-09-22 | 삼성메디슨 주식회사 | 초음파 영상 표시 방법, 초음파 진단 장치 및 컴퓨터 프로그램 제품 |
US10910100B2 (en) * | 2019-03-14 | 2021-02-02 | Fuji Xerox Co., Ltd. | System and method for generating descriptions of abnormalities in medical images |
KR102281988B1 (ko) * | 2019-04-04 | 2021-07-27 | 한국과학기술원 | 병변 해석을 위한 상호작용이 가능한 cad 방법 및 그 시스템 |
KR102258776B1 (ko) * | 2019-05-20 | 2021-05-31 | 주식회사 힐세리온 | 인공지능형 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
JP2021051573A (ja) * | 2019-09-25 | 2021-04-01 | キヤノン株式会社 | 画像処理装置、および画像処理装置の制御方法 |
KR102561175B1 (ko) * | 2020-03-06 | 2023-07-28 | 주식회사 루닛 | 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템 |
US20210282731A1 (en) * | 2020-03-10 | 2021-09-16 | GE Precision Healthcare LLC | Systems and methods for registration of angiographic projections with computed tomographic data |
JP2021183017A (ja) * | 2020-05-21 | 2021-12-02 | キヤノン株式会社 | 情報処理装置、情報処理方法、およびプログラム |
KR102492463B1 (ko) * | 2020-06-24 | 2023-01-27 | 주식회사 뷰노 | 병변 판독 결과 표시 방법 |
JP2022068639A (ja) * | 2020-10-22 | 2022-05-10 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置 |
WO2022113798A1 (ja) * | 2020-11-25 | 2022-06-02 | パナソニック株式会社 | 医療用画像表示システム、医療用画像表示方法及びプログラム |
US20230062781A1 (en) * | 2021-08-27 | 2023-03-02 | GE Precision Healthcare LLC | Methods and systems for implementing and using digital imaging and communications in medicine (dicom) structured reporting (sr) object consolidation |
US11367191B1 (en) | 2021-10-07 | 2022-06-21 | Qure.Ai Technologies Private Limited | Adapting report of nodules |
US20230125385A1 (en) * | 2021-10-25 | 2023-04-27 | Hologic, Inc. | Auto-focus tool for multimodality image review |
US20240118796A1 (en) * | 2022-10-05 | 2024-04-11 | Shanghai United Imaging Intelligence Co., Ltd. | Click based contour editing |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999005503A2 (en) * | 1997-07-25 | 1999-02-04 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
WO2003046810A1 (en) * | 2001-11-21 | 2003-06-05 | Wake Forest University Health Sciences | Image reporting method and system |
US20030174873A1 (en) * | 2002-02-08 | 2003-09-18 | University Of Chicago | Method and system for risk-modulated diagnosis of disease |
US20040120558A1 (en) * | 2002-12-18 | 2004-06-24 | Sabol John M | Computer assisted data reconciliation method and apparatus |
US20040264749A1 (en) * | 2001-05-18 | 2004-12-30 | Skladnev Victor Nickolaevick | Boundary finding in dermatological examination |
US20050010445A1 (en) * | 2003-06-27 | 2005-01-13 | Arun Krishnan | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system |
US20050049497A1 (en) * | 2003-06-25 | 2005-03-03 | Sriram Krishnan | Systems and methods for automated diagnosis and decision support for breast imaging |
Family Cites Families (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69131681T2 (de) | 1990-11-22 | 2000-06-08 | Toshiba Kawasaki Kk | Rechnergestütztes System zur Diagnose für medizinischen Gebrauch |
US5491627A (en) * | 1993-05-13 | 1996-02-13 | Arch Development Corporation | Method and system for the detection of microcalcifications in digital mammograms |
US6266435B1 (en) * | 1993-09-29 | 2001-07-24 | Shih-Ping Wang | Computer-aided diagnosis method and system |
CA2132138C (en) | 1993-09-29 | 2004-01-06 | Shih-Ping Wang | Computer-aided diagnosis system and method |
US5848198A (en) | 1993-10-08 | 1998-12-08 | Penn; Alan Irvin | Method of and apparatus for analyzing images and deriving binary image representations |
US5790690A (en) * | 1995-04-25 | 1998-08-04 | Arch Development Corporation | Computer-aided method for automated image feature analysis and diagnosis of medical images |
US6054990A (en) * | 1996-07-05 | 2000-04-25 | Tran; Bao Q. | Computer system with handwriting annotation |
US6263092B1 (en) | 1996-07-10 | 2001-07-17 | R2 Technology, Inc. | Method and apparatus for fast detection of spiculated lesions in digital mammograms |
US6466687B1 (en) | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
US6301378B1 (en) | 1997-06-03 | 2001-10-09 | R2 Technology, Inc. | Method and apparatus for automated detection of masses in digital mammograms |
US5984870A (en) | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
US5999639A (en) | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US6138045A (en) | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
DE19836661A1 (de) * | 1998-08-13 | 2000-02-17 | Dystar Textilfarben Gmbh & Co | Farbstoffmischung von wasserlöslichen faserreaktiven Azofarbstoffen, Verfahren zu ihrer Herstellung und ihre Verwendung |
US6697506B1 (en) * | 1999-03-17 | 2004-02-24 | Siemens Corporate Research, Inc. | Mark-free computer-assisted diagnosis method and system for assisting diagnosis of abnormalities in digital medical images using diagnosis based image enhancement |
US6801645B1 (en) | 1999-06-23 | 2004-10-05 | Icad, Inc. | Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies |
CN1378677A (zh) * | 1999-08-09 | 2002-11-06 | 韦克森林大学 | 生成电子多媒体报告的一种方法和计算机实现程序 |
US6553356B1 (en) | 1999-12-23 | 2003-04-22 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Multi-view computer-assisted diagnosis |
US6799066B2 (en) | 2000-09-14 | 2004-09-28 | The Board Of Trustees Of The Leland Stanford Junior University | Technique for manipulating medical images |
US7072501B2 (en) * | 2000-11-22 | 2006-07-04 | R2 Technology, Inc. | Graphical user interface for display of anatomical information |
JP4662517B2 (ja) | 2001-01-09 | 2011-03-30 | 株式会社日立メディコ | 診断支援システム |
US6577752B2 (en) * | 2001-06-15 | 2003-06-10 | Arch Development Corporation | Automated method and system for the delineation of the chest wall in computed tomography scans for the assessment of pleural disease |
JP2003116838A (ja) | 2001-10-17 | 2003-04-22 | Toshiba Corp | 医用画像診断装置及び医用画像診断システム |
US6954551B2 (en) * | 2001-12-04 | 2005-10-11 | The Boeing Company | Method for determining attitude of an object |
US6873717B2 (en) * | 2002-07-09 | 2005-03-29 | Riverain Medical Group, Llc | Input/output interface for computer aided diagnosis (CAD) system |
US7418123B2 (en) | 2002-07-12 | 2008-08-26 | University Of Chicago | Automated method and system for computerized image analysis for prognosis |
US6748044B2 (en) | 2002-09-13 | 2004-06-08 | Ge Medical Systems Global Technology Company, Llc | Computer assisted analysis of tomographic mammography data |
CN1685354A (zh) * | 2002-09-24 | 2005-10-19 | 伊斯曼柯达公司 | 用于计算机辅助检测提示阅读医疗图像的方法和系统 |
US7466848B2 (en) | 2002-12-13 | 2008-12-16 | Rutgers, The State University Of New Jersey | Method and apparatus for automatically detecting breast lesions and tumors in images |
JP2005124617A (ja) | 2003-10-21 | 2005-05-19 | Konica Minolta Medical & Graphic Inc | 医用画像診断支援システム |
US7458936B2 (en) | 2003-03-12 | 2008-12-02 | Siemens Medical Solutions Usa, Inc. | System and method for performing probabilistic classification and decision support using multidimensional medical image databases |
US20040258291A1 (en) | 2003-06-20 | 2004-12-23 | Gustafson Gregory A. | Method and system for tracking abnormality data |
JP2007526016A (ja) * | 2003-06-25 | 2007-09-13 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 心撮像の自動局所心筋評価を行うシステム及び方法 |
US7668358B2 (en) * | 2003-07-18 | 2010-02-23 | Hologic, Inc. | Model-based grayscale registration of medical images |
US7298881B2 (en) | 2004-02-13 | 2007-11-20 | University Of Chicago | Method, system, and computer software product for feature-based correlation of lesions from multiple images |
US20060241370A1 (en) * | 2005-03-30 | 2006-10-26 | George Kramp | Medical x-ray imaging workflow improvement |
US8014576B2 (en) * | 2005-11-23 | 2011-09-06 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
-
2006
- 2006-06-02 AU AU2006254689A patent/AU2006254689B2/en active Active
- 2006-06-02 EP EP06752744A patent/EP1893077A4/en not_active Withdrawn
- 2006-06-02 CN CN200680019285.7A patent/CN101203170B/zh active Active
- 2006-06-02 WO PCT/CA2006/000906 patent/WO2006128302A1/en active Search and Examination
- 2006-06-02 US US11/445,259 patent/US7783094B2/en active Active
- 2006-06-02 CA CA2610345A patent/CA2610345C/en active Active
- 2006-06-02 JP JP2008513884A patent/JP2008541889A/ja active Pending
- 2006-06-02 KR KR1020077030977A patent/KR20080021723A/ko not_active Application Discontinuation
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999005503A2 (en) * | 1997-07-25 | 1999-02-04 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
US20040264749A1 (en) * | 2001-05-18 | 2004-12-30 | Skladnev Victor Nickolaevick | Boundary finding in dermatological examination |
WO2003046810A1 (en) * | 2001-11-21 | 2003-06-05 | Wake Forest University Health Sciences | Image reporting method and system |
US20030174873A1 (en) * | 2002-02-08 | 2003-09-18 | University Of Chicago | Method and system for risk-modulated diagnosis of disease |
US20040120558A1 (en) * | 2002-12-18 | 2004-06-24 | Sabol John M | Computer assisted data reconciliation method and apparatus |
US20050049497A1 (en) * | 2003-06-25 | 2005-03-03 | Sriram Krishnan | Systems and methods for automated diagnosis and decision support for breast imaging |
US20050010445A1 (en) * | 2003-06-27 | 2005-01-13 | Arun Krishnan | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102612696A (zh) * | 2009-09-28 | 2012-07-25 | 皇家飞利浦电子股份有限公司 | 具有报告验证器和报告增强器的医学信息系统 |
CN102612696B (zh) * | 2009-09-28 | 2017-05-17 | 皇家飞利浦电子股份有限公司 | 具有报告验证器和报告增强器的医学信息系统 |
CN103220974A (zh) * | 2010-07-21 | 2013-07-24 | 阿敏·E·莫尔勒 | 图像报告方法 |
CN107403058A (zh) * | 2010-07-21 | 2017-11-28 | 阿敏·E·莫尔勒 | 图像报告方法 |
CN102737250A (zh) * | 2011-01-14 | 2012-10-17 | 西门子公司 | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 |
CN102737250B (zh) * | 2011-01-14 | 2017-07-14 | 西门子公司 | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 |
CN103049900A (zh) * | 2011-10-17 | 2013-04-17 | 三星电子株式会社 | 选择候选图像帧的设备和方法以及校正损伤的设备和方法 |
CN109509198A (zh) * | 2011-10-17 | 2019-03-22 | 三星电子株式会社 | 校正损伤的设备和方法 |
CN103049900B (zh) * | 2011-10-17 | 2019-02-12 | 三星电子株式会社 | 校正损伤的设备和方法 |
CN109509198B (zh) * | 2011-10-17 | 2023-08-22 | 三星电子株式会社 | 校正损伤的设备和方法 |
US9396549B2 (en) | 2011-10-17 | 2016-07-19 | Samsung Electronics Co., Ltd. | Apparatus and method for correcting lesion in image frame |
CN104540528B (zh) * | 2012-06-11 | 2018-07-03 | 皇家飞利浦有限公司 | 化合物0118的放射性标记类似物及其用途 |
CN104540528A (zh) * | 2012-06-11 | 2015-04-22 | 皇家飞利浦有限公司 | 化合物0118的放射性标记类似物及其与pet和/或spect成像相结合以测定含化合物0118的药物是否为患者的候选癌症治疗的用途 |
CN104704534B (zh) * | 2012-10-01 | 2018-01-05 | 皇家飞利浦有限公司 | 医学图像导航 |
CN110473628A (zh) * | 2012-11-16 | 2019-11-19 | 三星电子株式会社 | 设备及在设备中进行显示的方法 |
CN103841175B (zh) * | 2012-11-23 | 2017-09-08 | 中国移动通信集团公司 | 一种图像特征信息传输方法、装置及系统 |
CN103841175A (zh) * | 2012-11-23 | 2014-06-04 | 中国移动通信集团公司 | 一种图像特征信息传输方法、装置及系统 |
CN103919573B (zh) * | 2013-01-10 | 2019-07-12 | 三星电子株式会社 | 病变诊断设备和方法 |
CN103919573A (zh) * | 2013-01-10 | 2014-07-16 | 三星电子株式会社 | 病变诊断设备和方法 |
CN103530873A (zh) * | 2013-09-18 | 2014-01-22 | 中国人民解放军第四军医大学 | 一种基于三维纹理信息的辅助检测系统及方法 |
CN104757993A (zh) * | 2014-01-07 | 2015-07-08 | 三星麦迪森株式会社 | 用于显示医学图像的方法和医学成像设备 |
CN106061379A (zh) * | 2014-01-10 | 2016-10-26 | 佳能株式会社 | 处理设备、处理方法及程序 |
US10102622B2 (en) | 2014-01-10 | 2018-10-16 | Canon Kabushiki Kaisha | Processing apparatus, processing method, and non-transitory computer-readable storage medium |
CN106659473B (zh) * | 2014-07-29 | 2020-04-21 | 皇家飞利浦有限公司 | 超声成像装置 |
CN106659473A (zh) * | 2014-07-29 | 2017-05-10 | 皇家飞利浦有限公司 | 超声成像装置 |
CN105868524B (zh) * | 2015-02-06 | 2019-05-03 | 国际商业机器公司 | 用于医学图像集的自动基准真值生成 |
CN105868524A (zh) * | 2015-02-06 | 2016-08-17 | 国际商业机器公司 | 用于医学图像集的自动基准真值生成 |
CN106485721A (zh) * | 2015-08-31 | 2017-03-08 | 深圳先进技术研究院 | 从光学相干断层图像获取视网膜结构的方法及其系统 |
CN108463853A (zh) * | 2015-10-30 | 2018-08-28 | 皇家飞利浦有限公司 | 场景感知的医学推荐引擎 |
CN107194490B (zh) * | 2016-03-14 | 2022-08-12 | 商业对象软件有限公司 | 预测建模优化 |
CN107194490A (zh) * | 2016-03-14 | 2017-09-22 | 商业对象软件有限公司 | 预测建模优化 |
CN107545561A (zh) * | 2016-06-27 | 2018-01-05 | 太豪生医股份有限公司 | 乳房图像的分析方法以及其电子装置 |
CN106355005A (zh) * | 2016-08-29 | 2017-01-25 | 孙沐阳 | 一种计算机辅助诊断设备 |
CN106951724B (zh) * | 2017-05-09 | 2019-03-19 | 山东省千佛山医院 | 适用于肝癌及消化道癌的病理诊断报告生成系统及方法 |
CN106951724A (zh) * | 2017-05-09 | 2017-07-14 | 山东省千佛山医院 | 适用于肝癌及消化道癌的病理诊断报告生成系统及方法 |
CN107392913A (zh) * | 2017-08-01 | 2017-11-24 | 郑州云海信息技术有限公司 | 一种图像分割方法及装置 |
CN112020332A (zh) * | 2018-05-07 | 2020-12-01 | 豪洛捷公司 | 乳房超声工作流程应用 |
WO2019232742A1 (zh) * | 2018-06-07 | 2019-12-12 | 深圳迈瑞生物医疗电子股份有限公司 | 基于超声影像设备的图像分析方法及超声影像设备 |
CN108962357A (zh) * | 2018-06-28 | 2018-12-07 | 深圳开立生物医疗科技股份有限公司 | 一种注释方法、系统、设备及计算机可读存储介质 |
CN109346158A (zh) * | 2018-09-30 | 2019-02-15 | 浙江格林蓝德信息技术有限公司 | 超声影像处理方法、计算机设备和可读存储介质 |
CN109817297A (zh) * | 2018-12-19 | 2019-05-28 | 平安科技(深圳)有限公司 | 医疗报告的生成方法、装置、计算机设备及计算机存储介质 |
CN109817297B (zh) * | 2018-12-19 | 2023-08-08 | 平安科技(深圳)有限公司 | 医疗报告的生成方法、装置、计算机设备及计算机存储介质 |
CN111354441A (zh) * | 2018-12-21 | 2020-06-30 | 北京赛迈特锐医疗科技有限公司 | 对医学影像ai运行结果进行监测的系统及其方法 |
CN113366580A (zh) * | 2018-12-31 | 2021-09-07 | 通用电气精准医疗有限责任公司 | 使用分布式学习平台促进将人工智能集成到系统中 |
CN110611567B (zh) * | 2019-09-20 | 2022-01-18 | 福州大学 | 基于非确定性有限自动机的隐私保护医学诊疗系统 |
CN110611567A (zh) * | 2019-09-20 | 2019-12-24 | 福州大学 | 基于非确定性有限自动机的隐私保护医学诊疗系统 |
CN113256628B (zh) * | 2021-07-05 | 2021-10-26 | 深圳科亚医疗科技有限公司 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
CN113256628A (zh) * | 2021-07-05 | 2021-08-13 | 深圳科亚医疗科技有限公司 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CA2610345A1 (en) | 2006-12-07 |
US7783094B2 (en) | 2010-08-24 |
EP1893077A4 (en) | 2011-02-09 |
CA2610345C (en) | 2013-12-24 |
WO2006128302A1 (en) | 2006-12-07 |
CN101203170B (zh) | 2015-11-25 |
JP2008541889A (ja) | 2008-11-27 |
AU2006254689A1 (en) | 2006-12-07 |
AU2006254689B2 (en) | 2012-03-08 |
KR20080021723A (ko) | 2008-03-07 |
EP1893077A1 (en) | 2008-03-05 |
US20060274928A1 (en) | 2006-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101203170B (zh) | 计算机辅助检测系统 | |
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
EP2888686B1 (en) | Automatic detection and retrieval of prior annotations relevant for an imaging study for efficient viewing and reporting | |
US7529394B2 (en) | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system | |
US9014485B2 (en) | Image reporting method | |
US7607079B2 (en) | Multi-input reporting and editing tool | |
US20210113167A1 (en) | System and method for hierarchical multi-level feature image synthesis and representation | |
CN101360453A (zh) | 医学图像的计算机辅助定性定量分析的方法和系统 | |
US20120278105A1 (en) | Protocol guided imaging procedure | |
CN106796621B (zh) | 图像报告注释识别 | |
JP2023503610A (ja) | 医療スキャン映像の相互位置合わせおよびそれとともに使用する方法 | |
CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质 | |
US20230098785A1 (en) | Real-time ai for physical biopsy marker detection | |
CN117711576A (zh) | 用于提供医学报告的模板数据结构的方法和系统 | |
CN117637122A (zh) | 用于标识和提供医学图像中的候选医学发现的方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
ASS | Succession or assignment of patent right |
Owner name: SAILIEN IMAGE CO., LTD. Free format text: FORMER OWNER: MEDIPATTERN CORP. Effective date: 20140210 |
|
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20140210 Address after: New Hampshire Applicant after: MEDIPATTERN CORP Address before: Ontario Applicant before: Medipattern Corp. |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |